返回
Coordinate Transformations Make Segmentation Models More Data-Efficient
DOI:10.1007/978-3-032-14417-1_7.png)
摘要
En 中文
超低场(0.064T)磁共振成像(MRI)系统实现了便携式脑部成像,但由于信噪比较低和分辨率有限,对自动化分割构成了重大挑战。我们提出了一种基于坐标变换的深度学习方法,用于儿童脑结构分割,通过球面和椭球面坐标映射解析处理几何变异性。我们的方法采用在笛卡尔、球面和椭球面空间中训练的SwinUNETR模型集成,并结合两种新型损失函数:通过二维正交投影进行形状感知监督的投影Dice损失,以及使用坐标适当距离度量的坐标感知软豪斯多夫损失。在LISA25挑战数据集上进行评估,我们的集成方法在 hippocampus 分割上实现了Dice系数0.72±0.17,在 basal ganglia 分割上实现了0.85±0.05的竞争性性能。虽然坐标变换提供了规范的几何处理,但逆变换伪影限制了其个体有效性。新型损失函数在医学图像分割中显示出明显优势,提升了资源受限环境下便携式脑部MRI系统的自动化分析能力。源代码可在 https://github.com/mahbodez/LISA25-public 获得。
Keyword:
Brain MRI segmentation
Low-field MRI
Coordinate transformations
Deep learning
Pediatric neuroimaging
LISA25 challenge
期刊
机构
引用论文
Ultra-low-field portable MRI for assessing ventricular size in pediatric hydrocephalus: a feasibility study超低场便携式MRI在评估儿童脑积水患者心室大小中的可行性研究
没有更多内容

