机构名称：
¥ 1.0
许多功能和结构神经影像学研究要求从 MRI 扫描的图像强度值开始对不同的大脑结构进行精确的形态分割。当前基于自动（多）图谱的分割策略通常对难以分割的大脑结构缺乏准确性，而且由于这些方法依赖于图谱与扫描图谱的对齐，因此可能需要较长的处理时间。另外，最近部署基于卷积神经网络 (CNN) 的解决方案的方法能够直接分析扫描仪外的数据。然而，当前基于 CNN 的解决方案将测试体积分割成 2D 或 3D 块，然后独立处理。此过程会导致全局上下文信息的丢失，从而对分割准确性产生负面影响。在这项工作中，我们设计并测试了一种优化的端到端 CNN 架构，该架构使全局空间信息的利用在计算上易于处理，从而可以一次处理整个 MRI 体积。我们采用弱监督学习策略，利用由 947 张扫描仪外（3 Tesla T1 加权 1mm 各向同性 MP-RAGE 3D 序列）MR 图像组成的大型数据集。生成的模型能够在几秒钟内产生准确的多结构分割结果。与最先进的技术相比，不同的定量测量表明我们的解决方案具有更高的准确性。此外，通过一项涉及专家神经科学家的随机调查，我们表明主观判断有利于我们的解决方案，而广泛采用的基于图谱的软件则更胜一筹。
大脑
主要关键词
相关文件推荐
