SMILEUHURA DS6 UNetMSS3D Wodeform

🚀 SMILEUHURA_DS6_UNetMSS3D_woDeform

本項目是血管分割挑戰 SMILE - UHURA（https://doi.org/10.7303/syn47164761）的基線模型，同時也應用於研究論文 SPOCKMIP。該模型旨在解決腦部小血管分割難題，為腦部血管疾病研究提供支持。

🚀 快速開始

腦部血管為大腦提供所需的營養和氧氣。作為腦供血系統的脆弱部分，小血管病變可能引發諸如腦小血管病（CSVD）等嚴重問題。研究表明，CSVD 與神經退行性疾病（如阿爾茨海默病）相關。隨著 7 特斯拉 MRI 系統的發展，圖像空間分辨率顯著提高，使得描繪腦部極小血管成為可能。

基於非深度學習的血管分割方法（如 Frangi 血管增強後閾值分割）能夠分割中大型血管，但在分割小血管時往往效果不佳。儘管可以通過大量參數調整或手動修正來提高這些方法對小血管的敏感性，但這會導致處理過程耗時、費力，且不適用於大規模數據集。

本文提出了一種深度學習架構，用於自動分割 7 特斯拉 3D 時間飛躍（ToF）磁共振血管造影（MRA）數據中的小血管。該算法在一個僅包含 11 個受試者的小型、不完美的半自動分割數據集上進行訓練和評估，其中 6 個用於訓練，2 個用於驗證，3 個用於測試。基於 U - Net 多尺度監督的深度學習模型使用訓練子集進行訓練，並通過變形感知學習以自監督方式對彈性變形保持不變性，從而提高泛化性能。該技術在測試集上進行了定量和定性評估，Dice 分數達到 80.44 ± 0.83。此外，將該方法的結果與選定的手動分割區域（Dice 分數為 62.07）進行比較，使用變形感知學習後有顯著提升（提高了 18.98%）。

📚 詳細文檔

模型詳情

該模型源自論文 DS6, Deformation - Aware Semi - Supervised Learning: Application to Small Vessel Segmentation with Noisy Training Data，作者包括 Soumick Chatterjee、Kartik Prabhu、Mahantesh Pattadkal 等。ArXiv 預印本

模型架構與原論文相同，但在 SMILE - UHURA 數據集上進行訓練。該模型在 SMILE - UHURA 挑戰（https://doi.org/10.7303/syn47164761）中作為基線模型使用，同時也應用於研究論文 SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss。

模型描述

模型來源

• 原始 DS6：

  • 倉庫：https://github.com/soumickmj/DS6
  • 論文：https://doi.org/10.3390/jimaging8100259
  • 預印本：https://arxiv.org/abs/2006.10802

• SPOCKMIP：

  • 倉庫：https://github.com/soumickmj/SPOCKMIP
  • 預印本：https://arxiv.org/abs/2407.08655

📄 許可證

本項目採用 Apache - 2.0 許可證。

📚 引用信息

如果您在研究中使用了該方法，或使用了本倉庫的代碼或權重，請在出版物中引用以下內容：

BibTeX

DS6

@article{chatterjee2022ds6,
  title={Ds6, deformation-aware semi-supervised learning: Application to small vessel segmentation with noisy training data},
  author={Chatterjee, Soumick and Prabhu, Kartik and Pattadkal, Mahantesh and Bortsova, Gerda and Sarasaen, Chompunuch and Dubost, Florian and Mattern, Hendrik and de Bruijne, Marleen and Speck, Oliver and N{\"u}rnberger, Andreas},
  journal={Journal of Imaging},
  volume={8},
  number={10},
  pages={259},
  year={2022},
  publisher={MDPI}
}

SPOCKMIP

@article{radhakrishna2024spockmip,
  title={SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss},
  author={Radhakrishna, Chethan and Chintalapati, Karthikesh Varma and Kumar, Sri Chandana Hudukula Ram and Sutrave, Raviteja and Mattern, Hendrik and Speck, Oliver and N{\"u}rnberger, Andreas and Chatterjee, Soumick},
  journal={arXiv preprint arXiv:2407.08655},
  year={2024}
}

SMILE - UHURA

https://doi.org/10.7303/syn47164761

APA

Chatterjee, S., Prabhu, K., Pattadkal, M., Bortsova, G., Sarasaen, C., Dubost, F., ... & Nürnberger, A. (2022). Ds6, deformation - aware semi - supervised learning: Application to small vessel segmentation with noisy training data. Journal of Imaging, 8(10), 259.

Radhakrishna, C., Chintalapati, K. V., Kumar, S. C. H. R., Sutrave, R., Mattern, H., Speck, O., ... & Chatterjee, S. (2024). SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss. arXiv preprint arXiv:2407.08655.

https://doi.org/10.7303/syn47164761