SynthStrip：面向任意脑图像的头骨剥离
图像与视频处理
2022-07-27 v2 计算机视觉与模式识别
医学物理
神经元与认知
摘要
从磁共振成像（MRI）数据中去除非脑信号（称为头骨剥离）是许多神经影像分析流程的组成部分。尽管方法众多，流行的经典头骨剥离方法通常针对具有特定采集属性的图像定制，即近各向同性分辨率和 T1 加权（T1w）MRI 对比度，这些在科研环境中很常见。因此，现有工具往往对其他图像类型适应性差，例如临床中常见的采用快速自旋回波（FSE）MRI 采集的厚切片堆叠。尽管基于学习的脑提取方法近年来受到关注，这些方法面临类似困境，因为它们仅对训练过程中见过的图像类型有效。为实现跨多种成像协议的鲁棒头骨剥离，我们提出 SynthStrip，一种快速的、基于学习的脑提取工具。通过利用解剖分割生成完全合成的训练数据集，其解剖结构、强度分布和伪影远超医学图像的真实范围，SynthStrip 学会成功泛化到多种真实采集的脑图像，从而无需具有目标对比度的训练数据。我们展示了 SynthStrip 在跨越新生儿到成年受试者群体、多种不同图像采集与分辨率下的有效性。我们表明，相较于流行的头骨剥离基线方法，其在准确性上有显著提升——且全部仅使用单一训练模型。我们的方法和标注评估数据可在 https://w3id.org/synthstrip 获取。
引用
@article{arxiv.2203.09974,
title = {SynthStrip: Skull-Stripping for Any Brain Image},
author = {Andrew Hoopes and Jocelyn S. Mora and Adrian V. Dalca and Bruce Fischl and Malte Hoffmann},
journal= {arXiv preprint arXiv:2203.09974},
year = {2022}
}
备注
19 pages, 9 figures, 7 tables, skull stripping, brain extraction, image synthesis, MRI-contrast agnosticism, deep learning, final published version