通过病理信息驱动的域随机化增强胎儿MRI胼胝体分割

准确的胎儿脑部分割对于提取生物标志物和评估神经发育至关重要，尤其是在胼胝体发育不全（CCD）等可诱发剧烈解剖结构变化的病症中。然而，CCD的罕见性严重限制了标注数据，阻碍了深度学习模型的泛化。为解决此问题，我们提出了一种病理信息驱动的域随机化策略，将CCD表现的先验知识嵌入到合成数据生成流程中。通过仅从健康数据中模拟多样的脑部改变，我们的方法无需病理标注即可实现稳健的分割。我们在包含248名健康胎儿、26名CCD胎儿和47名患有其他脑部病变胎儿的队列上验证了该方法，在CCD病例上取得了显著改善，同时在健康胎儿和其他病变胎儿上保持了性能。从预测分割结果中，我们提取了临床相关的生物标志物，如胼胝体长度（LCC）和体积，并展示了它们在区分CCD亚型中的效用。我们的病理信息驱动增强将健康病例的LCC估计误差从1.89 mm降至0.80 mm，将CCD病例的误差从10.9 mm降至0.7 mm。除了这些定量收益外，我们的方法还生成了相较于可用真实值具有更好拓扑一致性的分割结果，从而实现了更可靠的基于形状的分析。总体而言，这项工作表明，将特定领域的解剖学先验纳入合成数据流程可以有效缓解数据稀缺问题，并增强对罕见但具有临床意义的畸形的分析。