DeepCERES：一种利用超高分辨率多模态MRI进行小脑小叶分割的深度学习方法

本文介绍了一种新颖的多模态高分辨率人脑小脑小叶分割方法。与当前在标准分辨率（$1 \text{ mm}^{3}$）下运行或使用单模态数据的工具不同，所提出的方法通过使用多模态和超高分辨率（$0.125 \text{ mm}^{3}$）训练数据集来改进小脑小叶分割。为开发该方法，首先创建了一个半自动标记的小脑小叶数据库，用于以超高分辨率T1和T2 MR图像训练所提出的方法。然后，设计并开发了一个深度网络集成，使所提出的方法能够在复杂的小脑小叶分割任务中表现出色，在提高精度的同时保持内存高效。值得注意的是，我们的方法通过探索替代架构而偏离了传统的U-Net模型。我们还将深度学习与经典机器学习方法相结合，融入了来自多图谱分割的先验知识，从而提高了精度和鲁棒性。最后，开发了一个名为DeepCERES的新在线流程，使科学界能够使用所提出的方法，其输入仅需一张标准分辨率的单张T1 MR图像。