机构名称：
¥ 1.0
提供准确的人脑连接组的一个重要步骤是对 3D 磁共振成像 (MRI) 扫描进行稳健分割，这在对围产期数据进行分割时尤其具有挑战性。在本文中，我们提出了一种基于深度学习的自动化流程，用于从新生儿脑 MRI 中准确分割组织，并通过引入年龄预测途径对其进行了扩展。使用深度学习技术开发脑数据的一个主要限制是需要收集大量的地面真实标签。因此，我们还研究了两种实用方法，这些方法可以帮助缓解标签稀缺问题，而不会损失分割性能。首先，我们检查了在 3D 训练图像上分配有限预算的带注释 2D 切片的不同策略的效率。在第二种方法中，我们比较了预训练模型与一小部分早产儿的不同微调策略的分割性能。我们的结果表明，在大量脑部扫描上分配标签可以提高分割性能。我们还表明，即使是部分微调，其性能也可以优于从头开始训练的模型，这凸显了在标签稀缺条件下迁移学习策略的相关性。我们以大型、公开可用的 T1 和 T2 加权 MRI 扫描（n = 709，扫描时的年龄范围：26-45 周）为例，这些扫描是从发展中人类连接组计划 (dHCP) 队列中回顾性获得的。
利用深度学习对新生儿脑部 MRI 进行精确分割
主要关键词
相关文件推荐
