合成学习应用于新生儿脑 MRI 分割的综合分析
机器学习
2023-09-12 v1
摘要
由于大脑结构形状的巨大变化以及反映妊娠过程的信号强度差异，从新生儿 MRI 图像中进行脑分割是一项极具挑战性的任务。在此背景下，明显需要对照度变化和解剖结构空间配置具有鲁棒性的分割技术。本工作中，我们评估了合成学习的潜力，这是一种使用极少受试者真实标签生成的合成图像训练的、与对比度无关的模型。我们的实验基于发育人类连接组计划发布的数据集，该数据集提供超过 700 名受孕后 26 至 45 周婴儿的优质 T1 加权和 T2 加权图像。首先，我们确认了在标准 Unet 上用少量 T2 加权体训练所取得的惊人性能，但也确认此类模型学习了特定于训练域的强度相关特征。随后我们评估合成学习方法，并通过报告此类模型分割同一受试者 T1 和 T2 加权图像的能力，确认其对图像对比度变化的鲁棒性。然而，我们观察到婴儿年龄对预测有明显影响。我们通过向合成训练集加入真实运动伪影和白质过分割来提升该模型性能。基于广泛的视觉评估，我们认为用真实 T2w 数据训练的模型性能更优可能源于真实标签中的系统性误差。我们提出了一项结合两种真实标签定义的原创实验，得以表明从真实数据学习会复现训练集中的任何系统性偏差，而合成模型可避免此局限。总体而言，我们的实验确认合成学习是分割新生儿脑 MRI 的有效方案。我们改进的合成学习方法结合了关键特征，将有助于大型多中心研究和临床应用。
引用
@article{arxiv.2309.05306,
title = {Comprehensive analysis of synthetic learning applied to neonatal brain MRI segmentation},
author = {R Valabregue and F Girka and A Pron and F Rousseau and G Auzias},
journal= {arXiv preprint arXiv:2309.05306},
year = {2023}
}