GOUHFI：一种用于超高场 MRI 的、对比度与分辨率无关的新型分割工具
摘要
近年来，超高场 MRI（UHF-MRI）已变得更加普及，并成为研究大脑的最佳工具之一。定量神经影像学中的一个常见步骤是将大脑分割为若干区域，这一步骤已通过 FreeSurfer、FastSurferVINN 或 SynthSeg 等软件包完成。然而，UHF-MRI 与 1.5T 或 3T 图像之间的差异使得在这些场强下优化的自动分割技术通常对 UHF 图像产生不令人满意的分割结果。因此，像通常处理 1.5-3T 数据那样进行基于区域的定量分析一直特别具有挑战性，这凸显了开发新的、旨在处理 UHF 图像的自动分割技术的迫切需求。为此，我们提出了一种新颖的基于深度学习（DL）的分割技术，名为 GOUHFI：面向超高场图像的通用优化分割工具，旨在分割各种对比度和分辨率的 UHF 图像。在训练中，我们使用了来自 3T、7T 和 9.4T 采集的数据集的总共 206 个标签图。与大多数 DL 策略不同，我们采用了域随机化方法，使用合成图像来训练 3D U-Net。GOUHFI 在七个不同的数据集上进行了测试，并与 FastSurferVINN、SynthSeg 和 CEREBRUM-7T 等现有技术进行了比较。GOUHFI 能够分割在 3T、7T 和 9.4T 下测试的六种对比度和七种分辨率。与 3T、7T 和 9.4T 的真实分割相比，计算出的平均 Dice 分数分别为 0.90、0.90 和 0.93。最终，GOUHFI 是一种很有前景的新型分割工具，它是首个为 UHF-MRI 提供对比度和分辨率无关替代方案的工具，无需微调或重新训练，使其成为使用 UHF-MRI 甚至更低场强的神经科学家的未来替代方案。
引用
@article{arxiv.2505.11445,
title = {GOUHFI: a novel contrast- and resolution-agnostic segmentation tool for Ultra-High Field MRI},
author = {Marc-Antoine Fortin and Anne Louise Kristoffersen and Michael Staff Larsen and Laurent Lamalle and Ruediger Stirnberg and Paal Erik Goa},
journal= {arXiv preprint arXiv:2505.11445},
year = {2025}
}
备注
51 pages, 10 Figures, 7 Tables, Accepted for publication to Imaging Neuroscience after being peer-reviewed on 29-09-25