多站点婴儿脑分割算法：iSeg-2019 挑战赛
图像与视频处理
2021-05-05 v2 计算机视觉与模式识别
机器学习
摘要
为了更好地理解健康与疾病状态下早期的脑生长模式，将婴儿脑磁共振（MR）图像准确分割为白质（WM）、灰质（GM）和脑脊液（CSF）至关重要。基于深度学习的方法已取得最先进的性能；然而，其主要局限之一是这类基于学习的方法可能受多站点问题影响，即在一个站点数据集上训练的模型可能不适用于其他具有不同成像协议/扫描仪的站点所采集的数据集。为促进社区内的方法学发展，iSeg-2019 挑战赛（http://iseg2019.web.unc.edu）提供了一组来自多个站点、具有不同协议/扫描仪的 6 月龄婴儿被试供参与方法使用。训练/验证被试来自 UNC（MAP），测试被试来自 UNC/UMN（BCP）、斯坦福大学和埃默里大学。截至撰写时，已有 30 种自动分割方法参与 iSeg-2019。我们综述了排名前 8 的团队，详述其流程/实现，展示实验结果，并从全脑、感兴趣区域和脑回标志曲线方面评估性能。我们还讨论了它们的局限及针对多站点问题可能的未来方向。我们希望 iSeg-2019 中的多站点数据集及本综述文章能吸引更多研究者关注多站点问题。
引用
@article{arxiv.2007.02096,
title = {Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge},
author = {Yue Sun and Kun Gao and Zhengwang Wu and Zhihao Lei and Ying Wei and Jun Ma and Xiaoping Yang and Xue Feng and Li Zhao and Trung Le Phan and Jitae Shin and Tao Zhong and Yu Zhang and Lequan Yu and Caizi Li and Ramesh Basnet and M. Omair Ahmad and M. N. S. Swamy and Wenao Ma and Qi Dou and Toan Duc Bui and Camilo Bermudez Noguera and Bennett Landman and Ian H. Gotlib and Kathryn L. Humphreys and Sarah Shultz and Longchuan Li and Sijie Niu and Weili Lin and Valerie Jewells and Gang Li and Dinggang Shen and Li Wang},
journal= {arXiv preprint arXiv:2007.02096},
year = {2021}
}