基于深度学习级联配准的胎儿脑MRI无监督分割
计算机视觉与模式识别
2023-07-10 v1
摘要
胎儿脑磁共振图像的准确分割对于分析胎儿脑发育和检测潜在的神经发育异常至关重要。传统的基于深度学习的自动分割虽然有效，但需要大量带有真实标签的训练数据，这些标签通常由临床医生通过耗时的标注过程生成。为克服这一挑战，我们提出了一种基于多图谱分割的新型无监督分割方法，可在不依赖标注数据训练的情况下准确分割多种组织。我们的方法采用级联深度学习网络进行三维图像配准，对浮动图像计算微小增量形变以使其与固定图像精确对齐。该级联网络随后可用于将多张标注图像与待分割图像配准，并合并传播得到的标签以形成精细化分割。我们的实验表明，所提出的级联架构优于所测试的最先进（SOTA）配准方法。此外，所得分割方法在性能和推理时间上与nnU-Net相当，而在多图谱分割任务中仅使用了少量标注数据，且网络训练未使用任何标注数据。我们的配准与多图谱分割流程已公开于 https://github.com/ValBcn/CasReg。
引用
@article{arxiv.2307.03579,
title = {Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration},
author = {Valentin Comte and Mireia Alenya and Andrea Urru and Judith Recober and Ayako Nakaki and Francesca Crovetto and Oscar Camara and Eduard Gratacós and Elisenda Eixarch and Fàtima Crispi and Gemma Piella and Mario Ceresa and Miguel A. González Ballester},
journal= {arXiv preprint arXiv:2307.03579},
year = {2023}
}
备注
17 pages, 8 figures, 5 tables, paper submitted to IEEE transaction on medical imaging