BOLD 胎儿 MRI 时间序列中胎盘的形状感知分割
图像与视频处理
2023-12-11 v1 计算机视觉与模式识别
摘要
血氧水平依赖（BOLD）MRI 时间序列结合母体高氧可评估胎盘氧合和功能。测量胎盘中的精确 BOLD 变化需要准确的时序胎盘分割，并受到胎儿和母体运动、宫缩和高氧诱导强度变化的干扰。当前 BOLD 胎盘分割方法将手动标注的受试者特定模板扭曲到整个时间序列。然而，由于胎盘是薄、长且高度非刚性的器官，易发生大变形且边缘模糊，现有工作无法准确分割胎盘形状，尤其是在边界附近。本文提出一种用于胎盘 BOLD MRI 的机器学习分割框架，并将其应用于分割时间序列中的每个体积。我们使用胎盘边界加权损失函数，并对几种流行的分割目标进行了全面评估。模型在包含 91 名受试者（包括健康胎儿、胎儿生长受限胎儿和高 BMI 母亲）的队列上进行训练和测试。在生物医学上，我们的模型在 BOLD 时间序列中的常氧和高氧点分割体积时表现可靠。我们进一步发现，边界加权使交叉熵和符号距离变换目标的 Dice 系数分别提高了 8.3% 和 6.0%。我们的代码和训练模型可在 https://github.com/mabulnaga/automatic-placenta-segmentation 获取。
引用
@article{arxiv.2312.05148,
title = {Shape-aware Segmentation of the Placenta in BOLD Fetal MRI Time Series},
author = {S. Mazdak Abulnaga and Neel Dey and Sean I. Young and Eileen Pan and Katherine I. Hobgood and Clinton J. Wang and P. Ellen Grant and Esra Abaci Turk and Polina Golland},
journal= {arXiv preprint arXiv:2312.05148},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2023:017. arXiv admin note: substantial text overlap with arXiv:2208.02895