BOLD MRI 时间序列中胎盘的自动分割
图像与视频处理
2022-08-08 v1 计算机视觉与模式识别
机器学习
摘要
母体高氧下的血氧水平依赖（BOLD）MRI 可评估胎盘内氧气传输，并已成为研究胎盘功能的一种有前景的工具。测量随时间变化的信号需要在时间序列的每一卷中分割胎盘。由于 BOLD 时间序列中卷数众多，现有研究依赖配准将所有卷映射到手动分割的模板。由于胎盘可能因胎儿运动、母体运动和宫缩而发生大幅形变，该方法常导致大量配准失败而被丢弃的卷。在本工作中，我们提出了一种基于 U-Net 神经网络架构的机器学习模型，以自动分割 BOLD MRI 中的胎盘，并将其应用于时间序列中每一卷的分割。我们使用边界加权损失函数以准确捕捉胎盘形状。我们的模型在包含健康胎儿、胎儿生长受限胎儿以及高 BMI 母亲的 91 名受试者队列上训练和测试。在与真实标签匹配时我们取得了 0.83±0.04 的 Dice 分数，且我们的模型在 BOLD 时间序列的常氧和高氧点中均能可靠分割卷。我们的代码和训练模型可在 https://github.com/mabulnaga/automatic-placenta-segmentation 获取。
引用
@article{arxiv.2208.02895,
title = {Automatic Segmentation of the Placenta in BOLD MRI Time Series},
author = {S. Mazdak Abulnaga and Sean I. Young and Katherine Hobgood and Eileen Pan and Clinton J. Wang and P. Ellen Grant and Esra Abaci Turk and Polina Golland},
journal= {arXiv preprint arXiv:2208.02895},
year = {2022}
}
备注
Accepted at MICCAI PIPPI 2022