EPISeg:使用开放式访问多中心数据中心的回声平面图像对脊髓的自动细分

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
• 计算神经科学是一种神经科学.

背景情况:

• 脊髓功能磁共振成像 (fMRI) 对于理解感觉,运动和自主功能至关重要.
• 脊髓fMRI数据的预处理需要从梯度回声平面成像 (EPI) 数据中精确细分脊髓.
• 现有的自动细分技术在脊髓EPI中常见的低分辨率,工件和扭曲问题上扎,需要大量的手动校正.

研究的目的:

• 为了应对渐变回声EPI数据的自动脊髓细分方面的挑战.
• 开发和验证一个基于深度学习的模型,用于准确的脊髓细分.
• 为可重复性研究创建一个公开可用的数据集和共享代码.

主要方法:

• 一个多中心数据集的脊髓梯度回声EPI图像与地面真相细分被编译和共享在OpenNeuro.
• 开发了一种新的深度学习模型EPISeg,用于在渐变回声EPI数据上自动对脊髓进行细分.
• 作为命令行工具,EPISeg模型集成到脊髓工具箱中.

主要成果:

• 与现有的脊髓细分模型相比,EPISeg显示了细分质量的显著改善.
• 该模型证明能够抵御采集协议的变化和fMRI数据中发现的常见文物.
• 一个多中心数据集和培训代码公开提供,以促进进一步的研究.

结论:

• 开发的EPISeg模型提供了一个强大而准确的解决方案,用于在渐变回声EPI数据中的自动脊髓细分.
• 这种进步减少了手工劳动和用户偏见,使得脊髓fMRI分析更有效和可靠.
• 数据集和代码的可用性促进了该领域的更广泛采用和进一步发展.