面向异质临床脑MRI大数据集的鲁棒机器学习分割
图像与视频处理
2023-03-29 v2 计算机视觉与模式识别
摘要
每年医院获取数百万张脑MRI扫描，这一数字远超任何研究数据集的规模。因此，分析此类扫描的能力可能改变神经影像研究。然而，其潜力仍未得到开发，因为尚无自动化算法足够鲁棒以应对临床采集中的高度变异性（MR对比度、分辨率、方向、伪影、受试人群）。在此我们提出SynthSeg+，一个AI分割套件，首次实现对异质临床数据集的鲁棒分析。除全脑分割外，SynthSeg+还执行皮层分区、颅内体积估计以及分割故障的自动检测（主要由极低质量扫描引起）。我们在七个实验中展示了SynthSeg+，包括一项基于14,000张扫描的衰老研究，其中它准确复现了在更高质量数据上观察到的萎缩模式。SynthSeg+作为即用工具公开发布，以释放定量形态测量的潜力。
引用
@article{arxiv.2209.02032,
title = {Robust machine learning segmentation for large-scale analysis of heterogeneous clinical brain MRI datasets},
author = {Benjamin Billot and Colin Magdamo and You Cheng and Steven E. Arnold and Sudeshna Das and Juan. E. Iglesias},
journal= {arXiv preprint arXiv:2209.02032},
year = {2023}
}
备注
under review, extension of MICCAI 2022 paper