基于配准归一化的术后小脑损伤自动检测与分割
图像与视频处理
2022-03-07 v1 机器学习
摘要
手术切除是治疗儿童后颅窝肿瘤的常见手段。然而，手术损伤往往难以避免，且其于术后并发症的关联尚不清楚。对小脑损伤进行可靠定位与量化，是研究受损小脑区域与术后神经功能预后关系的基础。现有小脑归一化方法在术后扫描上并不可靠，因此当前量化手术损伤的方法依赖于人工标注。本工作中，我们开发了一种鲁棒算法，利用术后 3D T1 磁共振成像自动检测并量化由手术引起的小脑损伤。在我们提出的方法中，首先使用针对术后扫描定制的贝叶斯算法分割正常脑组织；接着，通过将全脑模板非线性配准至原生空间以隔离小脑；随后利用前一步得到的解剖信息将隔离的小脑归一化至空间无偏图谱（SUIT）空间；最后，在图谱空间中通过比较归一化小脑与 SUIT 模板来检测损伤。我们基于人类专家检视，在 153 例诊断为髓母细胞瘤患者的术后扫描上评估了损伤检测工具。我们还设计了一项仿真以在无人工干预下测试所提方法。结果表明，所提方法在多种场景下具有优越性能。
引用
@article{arxiv.2203.02042,
title = {Automatic Detection and Segmentation of Postoperative Cerebellar Damage Based on Normalization},
author = {Silu Zhang and Stuart McAfee and Zoltan Patay and Matthew Scoggins},
journal= {arXiv preprint arXiv:2203.02042},
year = {2022}
}