基于图像翻译的无监督跨模态域适应的前庭神经鞘瘤 Koos 分级

Koos 分级量表是一种用于前庭神经鞘瘤（VS）的分类系统，用以刻画肿瘤及其对邻近脑结构的影响。Koos 分类涵盖了治疗决策的诸多特征，常用于确定治疗方案。尽管增强 T1（ceT1）扫描与高分辨率 T2（hrT2）扫描均可用于 Koos 分类，但因更高的安全性与成本效益，hrT2 扫描正受到更多关注。然而，在缺乏 hrT2 扫描标注的情况下，深度学习方法常因无监督学习不可避免地出现性能下降。若能利用 ceT1 扫描及其标注对 hrT2 扫描进行无监督学习，则使用无标注 hrT2 扫描的 Koos 分类性能将大幅提升。对此，我们提出一种基于图像翻译的无监督跨模态域适应方法，通过将带标注的 ceT1 扫描转换为 hrT2 模态，并利用其标注实现 hrT2 模态的监督学习。随后，分割 hrT2 扫描中与 Koos 分类相关的 VS 及 7 个邻近脑结构。最后，从分割结果中提取手工特征，并使用随机森林分类器对 Koos 级别进行分类。所提方法在 Cross-Modality Domain Adaptation（crossMoDA 2022）挑战赛的 Koos 分类任务上获得第一名，验证集 Macro-Averaged Mean Absolute Error（MA-MAE）为 0.2148，测试集为 0.26。