迁移超高场表示用于低场磁共振成像的强度引导脑分割

超高场（UHF）磁共振成像（MRI），即7T MRI，由于其增强的信噪比和磁化率诱导对比度，提供了大脑内部结构的优越解剖细节。然而，与低场（LF）MRI相比，7T MRI的高成本和较低的可及性限制了其广泛应用。本研究提出了一种深度学习框架，该框架系统地将输入的低场磁共振特征表示与推断的7T样特征表示融合，用于无7T环境下的脑图像分割任务。具体地，我们的自适应融合模块通过预训练网络从LF图像中聚合7T样特征，然后将其精炼为可有效同化的UHF引导，融入LF图像特征。利用从这种聚合和同化中获得的强度引导特征，分割模型可以识别通常仅依赖LF特征难以识别的细微结构表示。除了这些优势，该策略可以通过将LF特征的对比度与UHF引导对齐来无缝使用，即使采用任意分割模型。大量实验表明，所提出的方法在脑组织和全脑分割任务上显著优于所有基线模型；此外，通过成功集成不同的分割模型和任务，它表现出卓越的适应性和可扩展性。这些改进不仅可量化，而且在分割掩模的卓越视觉质量中可见。