通过使用SynthSeg进行对比和病理无知的临床胎儿大脑MRI细分,使用SynthSeg

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 磁共振成像 (MRI) 对于胎儿神经发育研究至关重要.
• 使用深度学习 (DL) 对胎儿大脑MRI的自动结构注释对于定量分析至关重要.
• 卷积神经网络 (CNN) 经常与域移动作斗争,限制了对不同主题数据的性能.

研究的目的:

• 训练DL网络,使胎儿大脑MRI在各种领域转移中进行强大的自动细分,包括生理和获取差异.
• 增强细分网络的域概括性,特别是在病理病例中的基于形状的异常.

主要方法:

• 引入了一种新的数据驱动的列车时间采样策略,以最大限度地提高训练数据集的多样性.
• 调整了采样策略,并在SynthSeg框架内整合了现有的数据增强技术.
• 在SynthSeg中利用域随机化生成多样化的训练数据,以增强网络通用化.

主要成果:

• 在具有显著解剖异常 (p < 1e-4) 的胎儿大脑MRI的细分质量方面取得了显著的改进.
• 观察到在异常较少的病例中,表现略有下降,这表明在概括性方面存在权衡.
• 证明了数据驱动抽样策略在改善域概括方面的有效性.

结论:

• 开发的数据驱动采样策略显著提高了DL网络用于胎儿大脑MRI细分的域概括性.
• 这种方法对细分有病理形状差异的大脑具有特别的希望.
• 这项工作为开发其他AI驱动的医学成像管道中的适应性数据驱动采样策略提供了基础.