高分辨率 T2 加权 MRI 上的自动嗅球分割
计算机视觉与模式识别
2023-08-25 v1 机器学习
摘要
尽管嗅球在嗅觉功能中起着至关重要的作用，但神经图像分析界一直忽视了其自动分割。OB 缺乏自动处理方法的原因在于其具有极具挑战性的属性。尽管如此，近期 MRI 采集技术和分辨率的进展使得标注者能够生成更可靠的人工标注。此外，深度学习方法在解决语义分割问题上的高准确度为我们提供了一种可靠评估甚至微小结构的选项。在本工作中，我们引入了一种新颖、快速且全自动的深度学习流水线，以在亚毫米 T2 加权 (T2w) 全脑 MR 图像上精确分割 OB 组织。为此，我们设计了一个三阶段流水线：(1) 使用 FastSurferCNN 定位包含双侧 OB 的区域；(2) 通过四个独立的 AttFastSurferCNN（一种带有自注意力机制以改善上下文信息建模的新颖深度学习架构）在定位区域内分割 OB 组织；(3) 对预测的标签图进行集成。该 OB 流水线在莱茵兰研究 203 名参与者的广泛年龄范围内，在边界勾画、OB 定位和体积估计方面均表现出高性能。此外，它还能泛化至训练期间从未遇到过的独立数据集——人类连接体计划 (HCP) 的扫描，这些扫描具有不同的采集参数和人口统计学特征，并在 30 个案例中以原始的 0.7mm HCP 分辨率和默认的 0.8mm 流水线分辨率进行了评估。我们不仅广泛验证了我们的流水线的分割准确度，还验证了其针对已知 OB 体积效应的表现，它能灵敏地复现年龄效应。
引用
@article{arxiv.2108.04267,
title = {Automated Olfactory Bulb Segmentation on High Resolutional T2-Weighted MRI},
author = {Santiago Estrada and Ran Lu and Kersten Diers and Weiyi Zeng and Philipp Ehses and Tony Stöcker and Monique M. B Breteler and Martin Reuter},
journal= {arXiv preprint arXiv:2108.04267},
year = {2023}
}