在脑 MR 图像深度学习分割中强制时间一致性

纵向分析在医学影像中揭示发育轨迹与监测疾病进展方面具有巨大潜力。该过程依赖于一致且鲁棒的联合 4D 分割。传统技术依赖于图像随时间相似性以及使用特定被试先验来减少随机变异并提升整体纵向分析的鲁棒性与敏感性。然而这是缓慢且计算密集的，因为特定被试模板每次都需要重建。本工作的重点是利用深度学习加速该分析。所提方法基于深度 CNN 并融合语义分割，为同一被试提供纵向关联。所提方法基于深度 CNN 并融合语义分割，为同一被试提供纵向关联。使用 3D 块作为改进 Unet 输入的当前最佳方法给出约 0.91±0.5 的 Dice，而在 CNN 中使用多视图图谱给出约相同结果。本工作中探索了不同模型，各自在提升分割质量的同时提供更好精度与快速结果。这些方法在来自 EADC-ADNI 协调海马协议的 135 次扫描上进行了评估。所提出的基于 CNN 的分割方法展示了如何使用带有先验切片的 2D 分割提供与 3D 分割相似的结果，同时在 3D 维度上保持良好连续性并提升速度。仅使用 2D 改进的矢状切片为我们提供了给定被试更好的 Dice 与纵向分析。对于 ADNI 数据集，使用简单 UNet CNN 技术给出 0.84±0.5，而在相同输入上使用改进 CNN 技术得到 0.89±0.5。使用多种方法计算了若干测试用例的萎缩率与 RMS 误差并进行了分析。