基于配准与不确定性的白质纤维束分割框架：仅用单标注受试者
图像与视频处理
2023-03-28 v1 计算机视觉与模式识别
机器学习
摘要
基于扩散磁共振成像（dMRI）的白质（WM）纤维束分割在人类健康与脑疾病分析中起着重要作用。然而，白质纤维束的标注耗时且需要经验丰富的神经解剖学家。本研究为探索极小标注设定下的纤维束分割，提出了一种仅利用一个标注受试者（受试者级单样本）进行纤维束分割的新框架。我们的方法由所提出的基于配准的峰值增强（RPA）与基于不确定性的精炼（URe）模块构建。RPA 模块合成伪受试者及其对应标签以提升纤维束分割性能。所提出的 URe 模块缓解了伪受试者上低置信度体素带来的负面影响。实验结果表明，我们的方法大幅优于其他当前最优方法，且所提模块有效。总体而言，我们的方法仅用一个标注受试者即实现了准确的全脑纤维束分割。代码见 https://github.com/HaoXu0507/ISBI2023-One-Shot-WM-Tract-Segmentation。
引用
@article{arxiv.2303.14371,
title = {A Registration- and Uncertainty-based Framework for White Matter Tract Segmentation With Only One Annotated Subject},
author = {Hao Xu and Tengfei Xue and Dongnan Liu and Fan Zhang and Carl-Fredrik Westin and Ron Kikinis and Lauren J. O'Donnell and Weidong Cai},
journal= {arXiv preprint arXiv:2303.14371},
year = {2023}
}
备注
Accepted by The IEEE International Symposium on Biomedical Imaging (ISBI) 2023