基于深度学习的人脑 MRI 屏状核自动分割
图像与视频处理
2023-05-24 v3 计算机视觉与模式识别
摘要
在过去二十年中，神经科学已产生引人注目的证据，表明屏状核在哺乳动物前脑结构与功能中居于中心地位。然而，人类屏状核的体内研究相对较少。其原因可能在于屏状核位于岛叶皮层与壳核之间、呈纤薄片状的结构，使其难以用常规分割方法处理。近来，基于深度学习（DL）的方法已成功引入用于复杂皮下脑结构的自动分割。下面，我们提出一种基于多视角 DL 的方法，在 T1 加权 MRI 扫描中分割屏状核。我们在 181 名个体中训练并评估所提方法，以专家神经放射科医生进行的双侧手动屏状核标注作为参考标准。交叉验证实验得到的中位体积相似度、鲁棒豪斯多夫距离和 Dice 分数分别为 93.3%、1.41mm 和 71.8%，其分割性能等于或优于人类 intra-rater 可靠性。留一扫描仪评估显示算法对来自未见扫描仪的图像具有良好的可迁移性，但性能略低。此外，我们发现基于 DL 的屏状核分割受益于多视角信息，且训练集需要约 75 个 MRI 扫描的样本量。我们得出结论，所开发的算法可实现鲁棒的自动屏状核分割，从而具有促进基于 MRI 的人类屏状核研究的巨大潜力。我们方法的软件与模型已公开提供。
引用
@article{arxiv.2008.03465,
title = {Automated Claustrum Segmentation in Human Brain MRI Using Deep Learning},
author = {Hongwei Li and Aurore Menegaux and Benita Schmitz-Koep and Antonia Neubauer and Felix JB Bäuerlein and Suprosanna Shit and Christian Sorg and Bjoern Menze and Dennis Hedderich},
journal= {arXiv preprint arXiv:2008.03465},
year = {2023}
}
备注
final version