Brain-ID：面向脑成像的对比度无关解剖表征学习
计算机视觉与模式识别
2024-03-12 v2
摘要
近期基于学习的方法在标定医学成像（如计算机断层扫描 CT）方面取得了惊人进展，但它们难以在未标定模态中泛化——尤其是磁共振（MR）成像，其性能对 MR 对比度、分辨率和朝向的差异高度敏感。这阻碍了对多样化真实世界临床协议的广泛适用。我们提出 Brain-ID，一种面向脑成像的解剖表征学习模型。借助所提出的“轻度到重度”受试者内生成，Brain-ID 对受试者特定脑解剖结构具有鲁棒性，而不受所获取图像外观（如对比度、形变、分辨率、伪影）影响。Brain-ID 完全在合成数据上训练，仅通过一层即可轻松适配各类下游任务。我们提出新指标以验证 Brain-ID 特征的受试者内与受试者间鲁棒性，并在四项下游应用中评估其性能，涵盖对比度无关（解剖重建/对比度合成、脑分割）与对比度相关（超分辨率、偏置场估计）任务。在六个公开数据集上的大量实验表明，Brain-ID 在不同 MRI 模态与 CT 的所有任务中均达到最先进性能，且更重要的是，其在低分辨率与小数据集上仍保持性能。代码见 https://github.com/peirong26/Brain-ID。
引用
@article{arxiv.2311.16914,
title = {Brain-ID: Learning Contrast-agnostic Anatomical Representations for Brain Imaging},
author = {Peirong Liu and Oula Puonti and Xiaoling Hu and Daniel C. Alexander and Juan E. Iglesias},
journal= {arXiv preprint arXiv:2311.16914},
year = {2024}
}
备注
26 pages, 11 figures