DABS-LS：利用区域水平集自监督的基于深度图谱的分割

人工耳蜗（CIs）是用于治疗重度至极重度听力损失患者的神经假体。针对患者特定的耳蜗植入体对听神经纤维（ANFs）刺激的建模可以帮助听力学家改进 CI 编程。这些模型需要相对于周围解剖结构和 CI 对 ANFs 进行定位。由于 ANFs 非常小，在临床成像中无法直接看到，因此定位具有挑战性。在本工作中，我们假设可以从内耳道（IAC）的位置准确推断出 ANFs 的位置，因为 IAC 在 CT 中具有高对比度，且 ANFs 穿过该通道连接耳蜗和大脑。受 VoxelMorph 启发，本文提出了一种基于深度图谱的 IAC 分割网络。我们创建了一个单一图谱，其中 IAC 和 ANFs 已预先定位。我们的网络经过训练可产生变形场（DFs），将坐标从图谱映射到新的目标体积，并准确分割 IAC。我们假设能够准确分割目标图像中 IAC 的 DFs 也将促进基于图谱的 ANFs 准确定位。与旨在产生准确配准整个体积的 DFs 的 VoxelMorph 不同，我们的新颖贡献是一种完全自监督的训练方案，旨在产生能够准确分割目标结构的 DFs。这种自监督是通过使用受区域水平集（LS）启发的损失函数来实现的。我们将我们的方法称为基于水平集的深度图谱分割（DABS-LS）。结果表明，DABS-LS 在 IAC 分割方面优于 VoxelMorph。在气管和肾脏分割的公开数据集上进行的测试也显示分割精度显著提高，证明了该方法的泛化能力。