基于知识引导的生命周期脑MR图像分割
图像与视频处理
2024-08-01 v1 计算机视觉与模式识别
摘要
自动且准确地将脑MR图像在整个人类寿命范围内分割为组织和结构对于理解脑发育和诊断疾病至关重要。然而，由于脑部外观在快速的早期脑发育、衰老和疾病方面的复杂变化，加上手动标注数据集有限的 availability，面临诸多挑战。为此，我们提出了采用知识引导的提示学习（KGPL）的双步骤分割框架用于脑MRI。具体而言，我们首先在大规模次优标签数据集上预训练分割模型，然后将从图像-文本对齐中学习到的知识驱动嵌入纳入模型。引入知识式提示可捕捉解剖变异性与生物学过程之间的语义关系，使模型能够跨越不同年龄组学习结构特征嵌入。实验结果表明，我们提出的方法在性能和鲁棒性方面具有优势，尤其在采用 Swin UNETR 作为主干网络时尤为明显。我们的 approach 在脑组织和结构的分割分别实现了95.17% 和 94.19% 的平均 DSC 值。我们的代码可在 https://github.com/TL9792/KGPL 查阅。
引用
@article{arxiv.2407.21328,
title = {Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation},
author = {Lin Teng and Zihao Zhao and Jiawei Huang and Zehong Cao and Runqi Meng and Feng Shi and Dinggang Shen},
journal= {arXiv preprint arXiv:2407.21328},
year = {2024}
}