基于监督对比学习的人体全生命周期脑组织结构分割
图像与视频处理
2023-01-05 v1 计算机视觉与模式识别
机器学习
摘要
将脑 MR 图像自动分割为白质（WM）、灰质（GM）和脑脊液（CSF）对于组织体积分析和皮层表面重建至关重要。由于发育和衰老过程相关的剧烈结构和外观变化，现有脑组织结构分割方法仅适用于特定年龄组。因此，为一个年龄组开发的方法可能对另一年龄组失效。在本文中，我们首次尝试使用统一的深度学习模型分割整个人类生命周期（0-100 岁）的脑组织。为克服由生物过程支撑的结构变异性、强度不均匀性、运动伪影、扫描仪引起的差异和采集协议带来的挑战，我们提出使用对比学习来改进潜在空间中特征表示的质量，以实现有效的生命周期组织分割。我们在包含 2464 张 MR 图像的大规模数据集上将我们的方法与常用分割方法进行了比较。实验结果表明，我们的模型能准确分割生命周期内的脑组织，并且优于现有方法。
引用
@article{arxiv.2301.01369,
title = {Brain Tissue Segmentation Across the Human Lifespan via Supervised Contrastive Learning},
author = {Xiaoyang Chen and Jinjian Wu and Wenjiao Lyu and Yicheng Zou and Kim-Han Thung and Siyuan Liu and Ye Wu and Sahar Ahmad and Pew-Thian Yap},
journal= {arXiv preprint arXiv:2301.01369},
year = {2023}
}