具有异常大脑解剖学的MRI全头细分:模型和数据发布
Andrew M Birnbaum1, Adam Buchwald2, Peter Turkeltaub3
1The City College of New York, Department of Biomedical Engineering, New York, NY, USA.
ArXiv
|September 15, 2025
概括
我们开发了一个深度学习网络,用于整体头部MRI细分,在包括异常解剖在内的各种病例中取得了最先进的结果. 这项工作还引入了这个关键任务的第一个公共基准数据集.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 神经成像和计算解剖学
背景情况:
- 准确的全头细分对于临床分析和神经科学研究至关重要.
- 现有的细分工具与异常解剖学作斗争,需要Atlas联合注册.
研究的目的:
- 开发一个深度学习网络,用于强大的全头MRI细分,包括异常解剖.
- 创建第一个全头MRI细分的公共基准数据集.
主要方法:
- 一个新的"多轴"深度网络被开发出来,它结合了三个在不同平面上运行的2D U-Nets.
- 编制了98个MRI数据集与手动体积细分标签,包括正常和异常解剖病例.
- 该网络接受了各种临床MRI的培训和验证,包括中风和意识障碍患者.
主要成果:
- 多轴网络在整个头部细分方面获得了0.88±0.04的Dice中位数,超过了SPM12等标准工具的性能.
- 该网络在细分有异常解剖的区域和被删除的图像方面表现出强大.
- 改进的细分精度提高了跨电刺激应用中的电流建模.
结论:
- 开发了一种最先进的深度学习工具,用于整体头部MRI细分,特别是在异常解剖的情况下.
- 发布了最大的公开可用的临床头部MRI数据集,包括非大脑结构.
- 这种模型和数据集是神经成像细分的未来进展的基准.
