SMILEUHURA DS6 UNetMSS3D Wodeform

🚀 SMILEUHURA_DS6_UNetMSS3D_woDeform

本项目是血管分割挑战 SMILE - UHURA（https://doi.org/10.7303/syn47164761）的基线模型，同时也应用于研究论文 SPOCKMIP。该模型旨在解决脑部小血管分割难题，为脑部血管疾病研究提供支持。

🚀 快速开始

脑部血管为大脑提供所需的营养和氧气。作为脑供血系统的脆弱部分，小血管病变可能引发诸如脑小血管病（CSVD）等严重问题。研究表明，CSVD 与神经退行性疾病（如阿尔茨海默病）相关。随着 7 特斯拉 MRI 系统的发展，图像空间分辨率显著提高，使得描绘脑部极小血管成为可能。

基于非深度学习的血管分割方法（如 Frangi 血管增强后阈值分割）能够分割中大型血管，但在分割小血管时往往效果不佳。尽管可以通过大量参数调整或手动修正来提高这些方法对小血管的敏感性，但这会导致处理过程耗时、费力，且不适用于大规模数据集。

本文提出了一种深度学习架构，用于自动分割 7 特斯拉 3D 时间飞跃（ToF）磁共振血管造影（MRA）数据中的小血管。该算法在一个仅包含 11 个受试者的小型、不完美的半自动分割数据集上进行训练和评估，其中 6 个用于训练，2 个用于验证，3 个用于测试。基于 U - Net 多尺度监督的深度学习模型使用训练子集进行训练，并通过变形感知学习以自监督方式对弹性变形保持不变性，从而提高泛化性能。该技术在测试集上进行了定量和定性评估，Dice 分数达到 80.44 ± 0.83。此外，将该方法的结果与选定的手动分割区域（Dice 分数为 62.07）进行比较，使用变形感知学习后有显著提升（提高了 18.98%）。

📚 详细文档

模型详情

该模型源自论文 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 预印本

模型架构与原论文相同，但在 SMILE - UHURA 数据集上进行训练。该模型在 SMILE - UHURA 挑战（https://doi.org/10.7303/syn47164761）中作为基线模型使用，同时也应用于研究论文 SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss。

模型描述

模型来源

• 原始 DS6：

  • 仓库：https://github.com/soumickmj/DS6
  • 论文：https://doi.org/10.3390/jimaging8100259
  • 预印本：https://arxiv.org/abs/2006.10802

• SPOCKMIP：

  • 仓库：https://github.com/soumickmj/SPOCKMIP
  • 预印本：https://arxiv.org/abs/2407.08655

📄 许可证

本项目采用 Apache - 2.0 许可证。

📚 引用信息

如果您在研究中使用了该方法，或使用了本仓库的代码或权重，请在出版物中引用以下内容：

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