基于多尺度对比正则与多关节解剖先验的稀疏儿科影像数据集可泛化多任务多域深度分割

儿科肌肉骨骼系统的临床诊断依赖于医学影像检查的分析。在医学图像处理流程中，基于深度学习算法的语义分割可自动生成患者特异的三维解剖模型，这对形态学评估至关重要。然而，儿科影像资源的稀缺可能导致单个深度分割模型的精度与泛化性能下降。在本研究中，我们提出设计一种新颖的多任务、多域学习框架，其中单一分割网络在源自解剖不同部位的多个数据集之并集上优化。与以往方法不同，我们同时考虑多种强度域与分割任务，以克服儿科数据固有的稀缺性，同时利用影像数据集间的共享特征。为进一步提升泛化能力，我们采用来自自然图像分类的迁移学习方案，辅以旨在促进共享表示中域特定聚类的多尺度对比正则，以及用于强制解剖一致预测的多关节解剖先验。我们使用踝、膝、肩三个稀缺儿科影像数据集评估我们所做贡献在骨分割上的表现。结果表明，所提方法在 Dice 指标上以统计显著的 margin 优于单独、迁移与共享分割方案。该模型为智能利用影像资源与更好管理儿科肌肉骨骼疾病提供了新视角。