基于对比学习的无监督 skull 分割——MR 到 CT 调制翻译

从 CT 扫描中进行颅骨分割可以视为一个已经解决的问题。然而，在 MR 图像中，这一任务具有显著更大的复杂性，due to 软组织的存在。捕获头部 MR 图像中的骨骼结构非常具有挑战性，因为其主要可视化目标是大脑。利用颅骨剥离技术的尝试在这一任务上似乎并不太适用，无法在许多情况下正常工作。另一方面，监督方法需要昂贵且耗时的颅骨标注。为克服这些困难，我们提出了一种完全无监督的方法，不直接对 MR 图像进行分割，而是通过 MR 到 CT 翻译生成合成 CT 数据并在该上进行分割。我们解决了与无监督颅骨分割相关的诸多问题，包括 MR 和 CT 数据集非配对的问题（对比学习）、低分辨率和质量较差的问题（超分辨率）以及泛化能力问题。该研究对于需要从 MR 体积数据中进行颅骨分割的下游任务具有重要价值，如颅骨剥离或手术规划，标志着合成数据在医学影像中的应用的重要一步。