融合颅内测量的层级Transformer增强全脑分割
图像与视频处理
2024-04-24 v2 计算机视觉与模式识别
摘要
利用磁共振成像（MRI）进行全脑分割可实现脑区的无创测量，包括总颅内体积（TICV）与后颅窝体积（PFV）。增强现有全脑分割方法以纳入颅内测量，可在脑结构分析中提供更高层次的全面性。尽管潜力巨大，但限于涵盖全脑及TICV/PFV标签的手动标注图谱稀缺，将深度学习技术推广至颅内测量面临数据可用性约束。本文中，我们增强了用于全脑分割的层级Transformer UNesT，以同时实现133类全脑分割与TICV/PFV估计。为解决数据稀缺问题，模型首先在来自8个不同站点的4859个T1加权（T1w）三维体积上预训练，这些体积通过多图谱分割流程生成标签，但无TICV/PFV标签。随后，模型使用来自开放存取影像研究系列（OASIS）的45个T1w三维体积微调，这些体积同时具有133类全脑标签与TICV/PFV标签。我们以Dice相似系数（DSC）评估方法，表明模型能在保持132个脑区性能相当水平的同时进行精确的TICV/PFV估计。代码与训练模型见：https://github.com/MASILab/UNesT/tree/main/wholebrainSeg。
引用
@article{arxiv.2309.04071,
title = {Enhancing Hierarchical Transformers for Whole Brain Segmentation with Intracranial Measurements Integration},
author = {Xin Yu and Yucheng Tang and Qi Yang and Ho Hin Lee and Shunxing Bao and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2309.04071},
year = {2024}
}