面向临床胎儿脑部 MRI 分割的无对比度与病灶无关方法——基于 SynthSeg

磁共振成像 (MRI) 在胎儿神经发育研究中发挥了关键作用。MR 图像的结构注释是对发育中人类大脑进行定量分析的重要步骤，深度学习提供了自动化替代方案，以避免繁琐的手动过程。然而，卷积神经网络的分割性能常因领域迁移问题而受限，即当所应用的主体与训练时使用的分布有所偏离时，网络会失效。本文旨在训练能够对各类领域迁移（尤其是涉及主体生理学差异和获取环境差异）的胎儿脑部 MRI 进行自动分割的网络，特别是针对常见于病理情况的形状差异。我们引入一种新颖的数据驱动训练时采样策略，以充分利用给定训练数据集的多样性，提高训练所得网络的领域泛化能力。我们将所采样器及其他现有数据增强技术适用于 SynthSeg 框架——该框架利用领域随机化生成多样化训练数据。我们在广泛的训练/测试数据上进行了详尽实验和消融研究，以检验方法的有效性。我们的网络在测试主体中实现了显著的分割质量提升，尤其是针对剧烈解剖异常的病例（p < 1e-4），尽管在异常程度较低的病例中性能略有下降。本工作为未来在其他训练管道中创建和适应数据驱动采样策略提供了基础。