SegHeD：基于解剖约束的多重性状脑白质软化灶分割
图像与视频处理
2024-10-03 v1 计算机视觉与模式识别
机器学习
摘要
从脑磁共振（MR）图像评估病灶及其纵向 progression 在诊断和监控多重性状（MS）方面发挥着关键作用。机器学习模型已在自动化 MS 病灶分割方面显示出巨大的潜力。训练此类模型通常需要大规模高质量数据集，这些数据集需一致标注。然而，MS 影像数据集常规小、跨站点分散、格式不同（横断面或纵向）、标注风格多样。这构成了训练统一 MS 病灶分割模型的显著挑战。为解决此挑战，我们提出了 SegHeD，一种新型的多数据集多任务分割模型，可将异构数据作为输入，并执行全部病灶、新发病灶以及消失病灶分割。此外，我们纳入了关于 MS 病灶的领域知识，将纵向、空间和体积约束纳入分割模型。SegHeD 在五个 MS 数据集上进行评估，全部、新发和消失病灶分割均实现高性能，优于该领域多个最先进方法。
引用
@article{arxiv.2410.01766,
title = {SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints},
author = {Berke Doga Basaran and Xinru Zhang and Paul M. Matthews and Wenjia Bai},
journal= {arXiv preprint arXiv:2410.01766},
year = {2024}
}
备注
13 pages, 4 figures, MICCAI, LDTM Workshop