SegCSR:软弱监督的皮质皮层表面从大脑带细分的重建

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:

• 深度学习皮质表面重建 (CSR) 依赖于伪基底真理 (pGT),导致数据集特定问题和广泛的数据准备.
• 现有的监督方法需要精心准备的培训数据,限制了可扩展性和通用性.

研究的目的:

• 开发一种弱监督的深度学习方法,从脑MRI中重建多个皮质表面.
• 克服pGT依赖于CSR的监督学习的局限性.

主要方法:

• SegCSR初始化了一个中厚的表面,并使用学习的二形态流动将其变形为白质和白质表面.
• 联合学习将边界表面损失用于对齐,以及表面间正常的一致性损失用于深层硫化物中的规范化.
• 额外的条款强制执行表面光滑性和正确的拓.

主要成果:

• 弱监督的SegCSR实现了与监督深度学习CSR方法相比的或更高的准确性和规律性.
• 该方法在两个大规模的大脑MRI数据集上得到了验证.
• 证明了内外皮层表面的有效重建.

结论:

• SegCSR为皮层表面重建提供了一个有效的弱监督替代方案.
• 减少了对pGT的需求,简化了数据准备,并可能提高了概括性.
• 为推进自动脑磁共振分析提供了一个有前途的方向.