对脉冲序列具有鲁棒性的快速脑分割

从 $T_1$ 加权($T_1$-w)磁共振图像(MRI)中准确自动分割脑解剖结构一直是神经影像流程中计算密集的瓶颈，现有最优结果由基于无监督强度建模的方法以及多图谱配准与标签融合取得。随着强大的基于监督卷积神经网络(CNN)的学习算法出现，现在可在数秒内产生高质量脑分割。然而，这些方法的强监督性质使其难以泛化到与训练数据不同的数据上。现代神经影像研究必然是多中心倡议，具有多种多样的采集协议。尽管有严格的协议协调实践，仍不可能跨扫描仪、场强、接收线圈等标准化影响图像对比度的全部 MRI 成像参数。本文中我们提出一种基于 CNN 的分割算法，除高度准确与快速外，还对输入 $T_1$-w 采集的变化具有鲁棒性。我们的方法依赖于构建 $T_1$-w 脉冲序列的近似前向模型，该模型生成典型的测试图像。我们利用前向模型以测试数据特定的训练样本扩充训练数据。这些扩充数据可用于更新和/或构建对测试数据成像特性更适应的更鲁棒分割模型。我们的方法在数秒内生成高度准确、最优水平的分割结果(总体 Dice 重叠=0.94)，且在广泛协议范围内保持一致。