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
Rohan Banerjee1,2,3, Merve Kaptan4, Alexandra Tinnermann5
1Department of Computer Science, Polytechnique Montreal, Montreal, Quebec, Canada.
Imaging neuroscience (Cambridge, Mass.)
|September 12, 2025
概括
一个新的深度学习模型EPISeg自动分割脊髓功能性MRI数据. 这克服了当前方法的局限性,提高了准确性,减少了分析感觉,运动和自主功能的手工劳动.
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
背景情况:
- 脊髓功能磁共振成像 (fMRI) 对于理解神经功能至关重要.
- 目前的脊髓fMRI数据的自动细分是具有挑战性的,原因是低分辨率和图像工件.
- 手动细分是耗时的,容易产生用户偏见.
研究的目的:
- 在渐变回声EPI数据上开发一个用于脊髓细分的自动化深度学习模型.
- 创建和共享一个多中心数据集的脊髓梯度回声EPI与地面真理细分.
主要方法:
- 开发一个名为EPISeg的深度学习模型.
- 使用脊髓梯度回声EPI图像的多中心数据集进行培训和验证.
- 与现有的脊髓细分模型进行比较.
主要成果:
- 与现有模型相比,EPISeg显示了细分质量的显著改善.
- 该模型显示了对各种采集协议和常见的fMRI器件的弹性.
- 一个多中心数据集和培训代码被公开提供.
结论:
- EPISeg为fMRI中脊髓细分提供了一个有效的自动化解决方案.
- 开发的模型和数据集将推动脊髓fMRI研究.
- 该工具集成到脊髓工具箱中,以实现更广泛的可访问性.


