基于多实例学习及阈值伪标签提取的CT影像颅内出血分割

颅内出血由颅内血管破裂引起,出血体积对治疗决策和预后分析具有重要的临床意义,而基于CT影像的血肿分割是体积测量的基础。全监督方法依赖于人工勾画的标签,十分耗时和繁琐,现有弱监督分割方法的鲁棒性差,容易受伪影干扰。为此,本研究提出了基于多实例学习的弱监督颅内出血分割网络MIL-ICH,由双分支结构组成。首先,由多实例学习解码器生成热图定位出血区域;然后,在热图基础上使用CT值阈值和像素自适应优化模块提取并优化伪标签,训练分割解码器;最后,两个分支同时训练,提高训练效率并且利用多分支协同作用进一步提升分割性能。在来自RSNA颅内出血数据集的200例CT扫描上的测试结果表明,MIL-ICH网络的Dice相似性系数和体积相似度分别达到了0.822和0.896,本网络测量的出血量与实际出血量的相关性优于临床常用的多田公式估测法。所提出的方法能够提高颅内出血弱监督分割性能,有助于为临床提供出血体积测量和预后评价的依据。

基于耦合配准网络的MR脑图像标签迁移算法

目的提出一种单图谱标签迁移算法并命名为Multi-Angle,以期在队列分析中快速有效提取与神经退行性疾病相关的MR脑影像标记物和解剖结构。方法首先对初始图谱图像施加旋转变换,获得旋转图谱图像组;其次为主配准网络送入合并后的初始图谱图像与个体图像,预测形变场及候选标签;再次为副配准网络送入合并后的旋转图谱图像与个体图像,结合主网络相关特征预测候选标签;最后通过投票法融合多个候选标签获得个体图像标签。结果在Mindboggle101和HCP数据集的实验结果显示,Multi-Angle算法在两个测试集上重要解剖结构Dice相似性系数均值分别为76%和82%,精确率均值为74.0%和77.8%,平均表面距离均值为0.83 mm和0.69 mm,均优于目前主流算法Voxelmorph和Ants-SyN。结论本文提出的Multi-Angle算法可以快速有效实现脑神经图谱标签迁移并提高评价指标准确度,对神经退行性疾病分析所需的影像特征提取具有潜在的临床应用价值。