基于时间集成与解剖约束自监督方法的示踪解剖数据纤维束检测
图像与视频处理
2022-08-09 v1 计算机视觉与模式识别
机器学习
摘要
解剖示踪数据提供了对脑回路的详细信息，这对于解决扩散 MRI 纤维束成像中的一些常见错误至关重要。然而，由于切片畸变、噪声与伪影的存在以及强度/对比度变化，在示踪数据上自动检测纤维束具有挑战性。在本工作中，我们提出了一种具有自监督损失函数的深度学习方法，该方法考虑基于解剖的约束，用于在猕猴脑示踪切片上准确分割纤维束。此外，鉴于人工标注的有限可用性，我们采用半监督训练技术高效利用无标签数据以提升性能，并采用位置约束进一步减少假阳性。我们的方法在来自不同猕猴的未见切片上的评估取得了有前景的结果，真阳性率约为 0.90。我们的方法代码可在 https://github.com/v-sundaresan/fiberbundle_seg_tracing 获取。
引用
@article{arxiv.2208.03569,
title = {Constrained self-supervised method with temporal ensembling for fiber bundle detection on anatomic tracing data},
author = {Vaanathi Sundaresan and Julia F. Lehman and Sean Fitzgibbon and Saad Jbabdi and Suzanne N. Haber and Anastasia Yendiki},
journal= {arXiv preprint arXiv:2208.03569},
year = {2022}
}
备注
Accepted in 1st International Workshop on Medical Optical Imaging and Virtual Microscopy Image Analysis (MOVI 2022)