基于外观模拟和海马分割的低场儿科脑MR图像自动质量评估

理解儿科大脑的结构生长是识别各种神经发育障碍的关键步骤。然而，我们的知识受到许多因素的限制，包括缺乏自动图像分析工具，尤其是在中低收入国家，由于缺乏高场MR图像。在这些国家，低场系统正被越来越多地探索，因此，需要为这些图像开发自动图像分析工具。在这项工作中，作为初步步骤，我们考虑两个任务：1) 自动质量保证和2) 海马分割，并比较了多种方法。对于自动质量保证任务，结合基于外观变换合成伪影的DenseNet产生了最佳性能，加权准确率为82.3%。对于分割任务，平均图谱的配准表现最佳，最终Dice得分为0.61。我们的结果表明，尽管这些图像可以提供对大规模病理和宏观解剖发育的理解，但将其用于更精细的分析仍然存在障碍。