无监督域适应交叉模式大脑血管细分

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:

• 来自TOF-MRA和CTA的脑血管细分对于诊断和规划内血管疾病的治疗至关重要.
• 深度学习模型面临的挑战是由于昂贵的注释和性能降低在不同的成像模式.
• 在TOF-MRA和CTA中不同的成像原理会产生域差异,阻碍模型的泛化.

研究的目的:

• 开发一个无监督的域适应框架,用于跨模式的无配对脑血管学翻译和细分.
• 解决大脑血管细分深度学习模型中昂贵的注释和性能下降的局限性.
• 为了提高深度学习模型的准确性和稳定性,在不同的成像技术中分析内血管.

主要方法:

• 提出CereTS,一个无监督的域名适应框架,利用多级域名对齐.
• 整合了图像级循环几何一致性,补丁级掩盖的对比约束和特征级语义感知.
• 专注于缩小域差异,同时保持血管结构的一致性.

主要成果:

• CereTS在脑血管造影的跨模式翻译和细分方面表现出卓越的性能.
• 该框架有效地减少了TOF-MRA和CTA数据集之间的域差异.
• 在公共和私人数据集上,与当前最先进的方法相比,取得了显著的性能改进.

结论:

• 在大脑血管细分中,CereTS为无监督域适应提供了一个强大的解决方案.
• 拟议的多级域调整有效地处理了血管学中的跨模式变化.
• 这一框架有可能提高对脑血管疾病的诊断和治疗计划.