基于多任务学习的胎儿扩散MRI精细结构描绘
图像与视频处理
2024-09-13 v2 计算机视觉与模式识别
机器学习
神经元与认知
摘要
扩散加权MRI越来越多地用于研究子宫内胎儿大脑的正常和异常发育。近期研究表明，dMRI可以为胎儿阶段的神经发育过程提供宝贵的见解。然而，由于数据质量低和大脑发育迅速，可靠的胎儿dMRI分析需要目前尚不可用的专门计算方法。缺乏快速、可重复的自动化数据分析方法严重限制了胎儿大脑dMRI在医学和科学应用中的潜力。在这项工作中，我们开发并验证了一个统一的计算框架，用于：(1) 将脑组织分割为白质、皮层/皮层下灰质和脑脊液；(2) 分割31条不同的白质束；(3) 将大脑皮层以及深部灰质核团和白质结构划分为46个解剖学上有意义的区域。我们利用手动、半自动和自动方法对97个胎儿大脑进行了标注。基于这些标签，我们开发并验证了一种多任务深度学习方法，以执行上述三项计算任务。我们的评估表明，新方法能准确完成所有三项任务，在组织分割、白质束分割和区域划分上分别达到了0.865、0.825和0.819的平均Dice相似系数。所提出的方法有望显著推动胎儿神经影像学领域的发展，因为它能大幅改进胎儿大脑纤维束成像、纤维束特异性分析和结构连接性评估。
关键词
引用
@article{arxiv.2409.06716,
title = {Detailed delineation of the fetal brain in diffusion MRI via multi-task learning},
author = {Davood Karimi and Camilo Calixto and Haykel Snoussi and Maria Camila Cortes-Albornoz and Clemente Velasco-Annis and Caitlin Rollins and Camilo Jaimes and Ali Gholipour and Simon K. Warfield},
journal= {arXiv preprint arXiv:2409.06716},
year = {2024}
}