wmh_seg：基于 Transformer 的 U-Net 用于 1.5T、3T 和 7T 下鲁棒且自动的白质高信号分割
图像与视频处理
2024-02-21 v1 计算机视觉与模式识别
摘要
白质高信号 (WMH) 仍然是神经退行性疾病的首要影像学生物标志物。WMH 的鲁棒且准确的分割对于神经影像学研究至关重要。从 3T 到 7T MRI 的转变日益增多，这就需要能够在不同场强和伪影下进行协调分割的鲁棒工具。最近的深度学习模型在 WMH 分割方面展现出前景，但仍面临挑战，包括训练数据代表性的多样性以及对 MRI 伪影影响的分析有限。为解决这些问题，我们推出了 wmh_seg，这是一种利用 SegFormer 中基于 Transformer 的编码器的新型深度学习模型。wmh_seg 在一个未匹配的 dataset 上进行训练，该数据集包含来自不同来源的 1.5T、3T 和 7T FLAIR 图像，以及人工添加的 MR 伪影。我们的方法弥补了训练多样性和伪影分析方面的差距。我们的模型在不同磁场强度、扫描仪制造商和常见 MR 成像伪影下均表现出稳定的性能。尽管超高场 MR 图像存在独特的不均匀性伪影，我们的模型仍能在 7T FLAIR 图像上提供鲁棒且稳定的分割。据我们所知，我们的模型是首个能在 7T FLAIR 图像上提供高质量白质病变分割的模型。
引用
@article{arxiv.2402.12701,
title = {wmh_seg: Transformer based U-Net for Robust and Automatic White Matter Hyperintensity Segmentation across 1.5T, 3T and 7T},
author = {Jinghang Li and Tales Santini and Yuanzhe Huang and Joseph M. Mettenburg and Tamer S. Ibrahim and Howard J. Aizenstein and Minjie Wu},
journal= {arXiv preprint arXiv:2402.12701},
year = {2024}
}