从任务特定的异模态域偏移数据集中学习组织与脑病灶的联合分割

从多模态 MRI 中进行脑组织分割是许多神经影像分析流程的关键环节。然而，既有的组织分割方法并非为应对由病理（如白质病灶或肿瘤）引起的大尺度解剖变化而开发，在这些情况下往往失效。与此同时，随着深度神经网络（DNNs）的出现，脑病灶分割已显著成熟。但现有方法鲜少允许正常组织与脑病灶的联合分割。当前为该类联合任务开发 DNN 的困难在于：标注数据集通常仅针对某一特定任务，并依赖于任务特定的成像协议（包括任务特定的成像模态集合）。本工作中，我们提出一种新方法，从聚合的任务特定异模态域偏移且部分标注的数据集中构建联合组织与病灶分割模型。从联合问题的变分表述出发，我们展示期望风险如何被分解并经验性优化。我们利用风险的上界来处理跨数据集的异质成像模态。为应对潜在域偏移，我们集成并测试了基于数据增强、对抗学习和伪健康生成的三种常规技术。对于各单独任务，我们的联合方法达到了与任务特定全监督模型相当的性能。所提框架在两类不同脑病灶上评估：白质病灶与胶质瘤。在后者中，缺乏用于定量评估的联合真值，我们提出并采用了一种新颖的具临床相关性的定性评估方法。