AtlasSeg:阿特拉斯先导双U-Net用于胎儿大脑MRI中的组织细分

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:

• 准确的胎儿大脑MRI细分对于临床诊断至关重要,但由于发育过程中的动态解剖学和对比度变化而受到挑战.
• 现有的方法在极端妊娠年龄 (GA) 中难以准确,原因是与年龄相关的特征的隐性学习.

研究的目的:

• 开发一个先进的细分网络,AtlasSeg,明确结合妊娠年龄 (GA) 特定的信息,以改善胎儿大脑MRI组织细分.
• 为了提高整个妊娠期的细分精度和一致性,特别是在具有挑战性的情况下.

主要方法:

• 引入了AtlasSeg,这是一条双U形卷积网络,使用GA特定的Atlas分支和细分分支.
• 综合的多尺度空间注意力功能合并,以改善分支机构之间的信息交换.
• 在内部和公共数据集上与十个已建立的网络进行验证,用于七个组织细分.

主要成果:

• 亚特拉斯Seg获得了最高的平均子相似系数,超过了现有方法.
• 在极端早期或晚期的GA病例中观察到显著改善,即使训练数据稀缺.
• 由于解剖形状先验,对低质量的图像具有明显的强度,对比度变化和噪声.

结论:

• 阿特拉斯塞格提供了跨胎儿年龄的增强细分精度和一致性,为胎儿大脑MRI分析提供了可靠的工具.
• 该网络的稳定性和在具有挑战性的场景中的性能使其特别适合早期妊娠诊断评估.