atTRACTive：基于主动学习的半自动白质纤维束分割
图像与视频处理
2023-08-04 v3 计算机视觉与模式识别
摘要
在医学图像中准确识别白质纤维束对于包括手术规划与纤维束特异性分析在内的多种应用至关重要。监督式机器学习模型在自动解决该任务上已达到最先进性能。然而，这些模型主要在健康受试者上训练，难以应对强烈的解剖异常，例如由脑肿瘤引起的异常。这一局限使它们不适用于诸如术前规划等任务，因此通常采用耗时且具挑战性的目标纤维束手动勾画。我们提出基于熵的半自动主动学习，用于从包含数百万条流线的全脑纤维束成像中快速直观地分割白质纤维束。该方法在来自 Human Connectome Project 的 21 个公开可用健康受试者以及一个包含十例神经外科病例的内部数据集上进行了评估。仅需少量标注，所提方法能够在肿瘤病例上分割出与健康受试者相当的纤维束（dice=0.71），而自动方法如 TractSeg 的性能相比健康受试者大幅下降（dice=0.34）。该方法作为名为 atTRACTive 的原型实现于免费可用软件 MITK Diffusion 中。在肿瘤数据上的手动实验显示，相较于传统基于 ROI 的分割，由于分割时间更短而具有更高效率。
引用
@article{arxiv.2305.18905,
title = {atTRACTive: Semi-automatic white matter tract segmentation using active learning},
author = {Robin Peretzke and Klaus Maier-Hein and Jonas Bohn and Yannick Kirchhoff and Saikat Roy and Sabrina Oberli-Palma and Daniela Becker and Pavlina Lenga and Peter Neher},
journal= {arXiv preprint arXiv:2305.18905},
year = {2023}
}