在脊髓终身学习分割中监测形态测量漂移
计算机视觉与模式识别
2025-10-22 v2
摘要
从脊髓分割中得出的形态测量指标可以作为影响脊髓的神经系统疾病和损伤的诊断和预后生物标志物。尽管在过去几年中，针对各种对比度和病理的鲁棒自动分割方法已经开发出来，但当模型使用新数据集更新时，其预测是否稳定尚未得到评估。这对于从健康参与者中推导出规范值尤为重要。在本研究中，我们提出了一个在多中心 数据集上训练的脊髓分割模型，该数据集包括 9 种不同的 MRI 对比度和几种脊髓病理。我们还引入了一个终身学习框架，用于在模型使用额外数据集更新时自动监测形态测量漂移。每次创建新模型时，该框架都会由自动化的 GitHub Actions 工作流触发，记录随时间推移从模型预测中得出的形态测量值。作为所提出框架的一个实际应用，我们使用该脊髓分割模型更新了一个最近引入的健康参与者规范数据库，该数据库包含常用的脊髓形态测量指标。结果表明：(i) 我们的模型在具有挑战性的腰椎脊髓病例上优于以前的版本和特定于病理的模型，平均 Dice 分数达到 ；(ii) 用于监测形态测量漂移的自动工作流为开发未来的分割模型提供了快速的反馈循环；(iii) 更新形态测量指标数据库所需的缩放因子在给定椎骨水平的切片之间几乎恒定，表明框架监测的当前和先前版本模型之间的漂移最小。代码和模型是开源的，可通过 Spinal Cord Toolbox v7.0 访问。
引用
@article{arxiv.2505.01364,
title = {Monitoring morphometric drift in lifelong learning segmentation of the spinal cord},
author = {Enamundram Naga Karthik and Sandrine Bédard and Jan Valošek and Christoph S. Aigner and Elise Bannier and Josef Bednařík and Virginie Callot and Anna Combes and Armin Curt and Gergely David and Falk Eippert and Lynn Farner and Michael G Fehlings and Patrick Freund and Tobias Granberg and Cristina Granziera and RHSCIR Network Imaging Group and Ulrike Horn and Tomáš Horák and Suzanne Humphreys and Markus Hupp and Anne Kerbrat and Nawal Kinany and Shannon Kolind and Petr Kudlička and Anna Lebret and Lisa Eunyoung Lee and Caterina Mainero and Allan R. Martin and Megan McGrath and Govind Nair and Kristin P. O'Grady and Jiwon Oh and Russell Ouellette and Nikolai Pfender and Dario Pfyffer and Pierre-François Pradat and Alexandre Prat and Emanuele Pravatà and Daniel S. Reich and Ilaria Ricchi and Naama Rotem-Kohavi and Simon Schading-Sassenhausen and Maryam Seif and Andrew Smith and Seth A Smith and Grace Sweeney and Roger Tam and Anthony Traboulsee and Constantina Andrada Treaba and Charidimos Tsagkas and Zachary Vavasour and Dimitri Van De Ville and Kenneth Arnold Weber and Sarath Chandar and Julien Cohen-Adad},
journal= {arXiv preprint arXiv:2505.01364},
year = {2025}
}
备注
Under review (after 1st round of revision) at Imaging Neuroscience journal