利用合成数据改进胎儿 MRI 的跨域脑组织分割
图像与视频处理
2024-10-15 v1 计算机视觉与模式识别
机器学习
摘要
从磁共振成像（MRI）中分割胎儿脑组织在研究宫内神经发育中起着至关重要的作用。然而，自动化工具面临巨大的域偏移挑战，因为它们必须对高度异构的临床数据具有鲁棒性，而这些数据通常数量有限且缺乏标注。事实上，胎儿脑形态、MRI 采集参数和超分辨率重建（SR）算法的高度可变性，在域外评估时会对模型性能产生不利影响。在这项工作中，我们引入了 FetalSynthSeg，这是一种受 SynthSeg 启发的域随机化方法，用于分割胎儿脑 MRI。我们的结果表明，在域外设置中，仅使用合成数据训练的模型优于使用真实数据训练的模型，这一点在一个包含 120 名受试者的跨域数据集上得到了验证。此外，我们将评估扩展到使用低场（0.55T）MRI 采集并通过新型 SR 模型重建的 40 名受试者，展示了在不同磁场强度和 SR 算法下的鲁棒性。通过利用生成式合成方法，我们解决了胎儿脑 MRI 中的域偏移问题，并为数据有限且高度异构的领域应用提供了令人振奋的前景。
引用
@article{arxiv.2403.15103,
title = {Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data},
author = {Vladyslav Zalevskyi and Thomas Sanchez and Margaux Roulet and Jordina Aviles Verddera and Jana Hutter and Hamza Kebiri and Meritxell Bach Cuadra},
journal= {arXiv preprint arXiv:2403.15103},
year = {2024}
}
备注
10 pages, 5 figures, 1 table