SYNCS：面向中央沟分割的合成数据与对比自监督训练
计算机视觉与模式识别
2024-03-25 v1
摘要
双相情感障碍（BD）和精神分裂症（SZ）是严重的精神疾病，对社会影响深远。早期识别风险标志物对于理解疾病进展和采取预防措施至关重要。丹麦高危与韧性研究（VIA）侧重于理解早期疾病过程，特别是在有家族性高风险（FHR）的儿童中。理解这些疾病在早期阶段相关的脑结构变化对于有效干预至关重要。中央沟（CS）是一个与运动和感觉处理相关脑区有关的重要脑部标志。分析CS形态可为FHR组的神经发育异常提供有价值的见解。然而，由于其变异性，尤其是在青少年中，分割中央沟（CS）面临挑战。本研究引入两种新方法来改进CS分割：合成数据生成以建模CS变异性，以及采用多任务学习的自监督预训练以使模型适应新队列。这些方法旨在提高跨不同人群的分割性能，无需大量预处理。
引用
@article{arxiv.2403.15121,
title = {SYNCS: Synthetic Data and Contrastive Self-Supervised Training for Central Sulcus Segmentation},
author = {Vladyslav Zalevskyi and Kristoffer Hougaard Madsen},
journal= {arXiv preprint arXiv:2403.15121},
year = {2024}
}