LF-SynthSeg:无标签的大脑组织辅助瘤合成和细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 无监督的脑瘤细分对于临床应用至关重要,但往往忽视了先前的脑组织知识.
• 现有的方法通常将分割视为异常检测,从而限制了它们的有效性.

研究的目的:

• 通过整合先前的脑组织知识,开发一种创新的无监督脑瘤细分策略.
• 为了提高T2加权核磁共振扫描的脑瘤细分的准确性和稳定性.

主要方法:

• 一种新的瘤合成机制,使用圆体和脑组织强度配置文件来创建多种合成T2加权MRI扫描.
• 一个包括瘤和脑组织细分的训练协议,以增强边界关系学习.
• 在五个公共数据集 (BRATS 2019-2021,PED,SSA) 上进行评估.

主要成果:

• 拟议的方法显著优于最先进的无监督脑瘤细分技术.
• 在相同的测试数据集上实现了超过92%的完全监督性能.
• 在各种数据集中表现出强大的性能.

结论:

• 将先前的脑组织知识整合到瘤合成和细分中,可以增强无监督的脑瘤细分.
• 这种方法为临床应用提供了一个强大的,数据效率高的替代方案,而不是完全监督的方法.