基于合成训练的少量高质量模板实现脑部和头颈 MRI 分割
计算机视觉与模式识别
2026-05-05 v1
摘要
合成训练最近在脑部 MRI 分割中取得进展，使在完全基于生成数据的模型上实现对比无关性。然而，大多数现有方法依赖数百个自动标注模板，引入系统性偏差，限制其灵活性以纳入新的解剖结构。我们提出 Segment It All Model（SIAM），一个用于 16 种解剖结构的 3D 全头分割框架，仅使用六个高质量、手动标注的模板进行训练。SIAM 将域随机化扩展至强度与形态两个域：合成图像生成确保对比度可变性，而高分辨率空间变换模型化皮层厚度和深层核团形态差异。不同于先前的合成模型，SIAM 同时分割脑部及额外脑组织，包括脑脊液、血管、髓鞘、颅骨和皮肤，实现无需预处理的全自动分析。评估包括八个异构数据集（N=301），包含多种对比（T1 加权、T2 加权、CT），覆盖年龄范围广泛，结果表明 SIAM 在脑结构上与最先进方法持平或更好，同时扩展了非脑组织的自动分割能力。该模型在对比度和重复获取之间的一致性方面表现优异，同时对亚细节脑 gray matter 萎缩具有更好的灵敏度。我们公开模型及标签模板，地址为 https://github.com/romainVala/SIAM。
引用
@article{arxiv.2605.02737,
title = {SIAM: Head and Brain MRI Segmentation from Few High-Quality Templates via Synthetic Training},
author = {Romain Valabregue and Ines Khemir and Eric Badinet and François Rousseau and Guillaume Auzias and Reuben Dorent},
journal= {arXiv preprint arXiv:2605.02737},
year = {2026}
}