通过使用对抗性学习进行弱监督的域适应来改善婴儿MRI的头骨剥离

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:

• 剥离头骨对于脑部MRI分析至关重要.
• 成人和新生儿大脑MRI之间的域移动阻碍了深度学习模型的可转移性.
• 以前的无监督域适应方法不需要标记新生儿数据.

研究的目的:

• 通过扩展训练数据以弱标记的扫描来改善新生儿大脑MRI的头骨剥离.
• 为了验证模型在不同领域的概括性:成人,合成,公共新生儿和私人新生儿MRI.
• 为了提高婴儿大脑成像分析的深度学习模型的稳定性和性能.

主要方法:

• 扩展培训和验证数据集,使用dHCP,私人数据集和合成GMM数据的弱标记新生儿MRI.
• 使用了以前开发的无监督域名适应框架,具有类似的核心模型架构.
• 在四个不同的领域中验证的模型概括.

主要成果:

• 与以前的方法相比,拟议的方法显示出更好的性能和稳定性.
• 在新生儿MRI数据中,获得了0.9509±0.0055的子系数和3.0883±0.1833的豪斯多夫距离.
• 超过了像SynthStrip这样的最先进的模型 (Dice =0.9412±0.0063,Hausdorff =3.1570±0.1389) 的性能.

结论:

• 在弱监督下纳入更广泛的培训数据显著影响新生儿大脑成像分析.
• 标记较弱的新生儿数据可以提高模型性能和概括能力.
• 开发的方法对于新生儿大脑成像分析是有效的,为现有技术提供了优越的结果.