基于深度学习的Willis拓的圆圈提取与解剖学先验

科学领域:

• 神经成像是一种神经成像.
• 医学图像分析 医学图像分析
• 计算解剖学的计算解剖学

背景情况:

• 威利斯圆 (CoW) 解剖学显示出显著的变异性,对于理解神经血管疾病如中风和动脉瘤至关重要.
• 从3D TOF-MRA中准确,自动地提取Cow拓是具有挑战性的,因为缺少 (hypoplastic) 或缺少 (aplastic) 动脉,这些动脉很难用传统的基于voxel的方法进行细分.
• 对Cow变异的手动评估中的主观性和时间限制阻碍了大规模的临床研究.

研究的目的:

• 开发一个强大的,自动化的框架,从3D TOF-MRA中提取个性化的Cow拓.
• 为了克服基于voxel的细分在识别低可塑性或无可塑性Cow动脉方面的局限性.
• 提供一个工具,帮助大规模的临床调查的神经血管病理.

主要方法:

• 使用尺度不变和旋转等价网-CNN (SIRE) 来确定动脉定向向量场.
• 使用最短路径算法,以方向场和解剖学地标为指导,提取Cow动脉路径,将完整的Cow视为先行处理.
• 应用了随机森林分类器来标记提取的动脉路径为正常或低/无塑性.

主要成果:

• 最短路径方法成功地产生连续的动脉路径,即使是对低可塑性动脉,优于传统的细分.
• 在70-74%的病例中,可以精确追踪后部通讯动脉路径,这是基于voxel的方法所面临的已知挑战.
• 动脉路径分类器获得0.91的高平均F1评分,证明了该框架的有效性.

结论:

• 拟议的框架允许自动和准确地从3D TOF-MRA中提取个性化的Cow拓.
• 这种方法显著改善了低可塑性和可塑性动脉的检测,这对于神经血管研究至关重要.
• 这种自动化方法有可能增强对神经血管疾病的大规模临床研究的潜力.