基于分割数据的弱监督皮层表面重建

现有的基于学习的皮层表面重建方法严重依赖伪地面实物（pGT）皮层表面的监督训练。此类pGT表面由传统神经图像处理管道生成，耗时且难以适应低分辨率脑MRI，例如胎儿和新生儿脑MRI。本文提出了CoSeg——一种由脑分割数据弱监督的皮层表面重建框架，无需pGT表面。CoSeg引入时序注意力网络，从脑MRI中学习时间可变速度场，用于准 diffeomorphic 表面变形，在每颗脑半球内仅需0.11秒即可适配初始表面至目标皮层表面。设计了一种弱监督损失，通过沿法向方向膨胀白质表面以适应皮层灰质分割边界，从而重建皮层表面。这一方法缓解了部分体积效应，鼓励皮层表面变形以适应深而具挑战的皮质沟隙。我们在1113个1mm和2mm分辨率的成人脑MRI上评估了CoSeg。CoSeg在几何和形态学准确性方面优于现有的基于学习的方法。我们还验证了CoSeg能够从传统管道难以产生可接受结果的胎儿脑MRI上提取高质量皮层表面。