跨磁场分割婴儿大脑：超低场 MRI 中的域随机化与标注整理
图像与视频处理
2026-02-13 v1
摘要
早期神经发育障碍的识别依赖于对婴儿脑结构进行精准分割，而这在儿童 MRI 中受到快速脑 growth、组织对比度差以及运动伪影的困扰。这些挑战在超低场 (ULF, 0.064~T) MRI 中进一步加剧，尽管图像质量较差，但提供了经济实惠、便携式且无需镇静的选择，适用于资源有限的环境。本文提出一种域随机化 (DR) 框架，以弥补高场 (HF) 与 ULF MRI 之间的领域差距，具体针对 LISA 挑战中的小脑及基底节分割任务。我们展示了使用 DR 对 whole-brain HF 分割进行预训练可显著提升对 ULF 数据的泛化能力，精心整理训练标签（移除训练中误配位的 HF-to-ULF 标注）进一步提升性能。通过对多个模型预测结果进行多数投票融合，我们能够实现具竞争力的性能。我们的结果表明，结合鲁棒的数据增强与标注质量控制，可在 ULF 数据上实现准确的分割。我们的代码已公开于 https://github.com/Medical-Image-Analysis-Laboratory/lisasegm。
引用
@article{arxiv.2510.17436,
title = {Segmenting infant brains across magnetic fields: Domain randomization and annotation curation in ultra-low field MRI},
author = {Vladyslav Zalevskyi and Dondu-Busra Bulut and Thomas Sanchez and Meritxell Bach Cuadra},
journal= {arXiv preprint arXiv:2510.17436},
year = {2026}
}
备注
1st place (hippocampus) and 3rd place (basal ganglia) in the Low field pediatric brain magnetic resonance Image Segmentation and quality Assurance Challenge (LISA) 2025