DS6 UNetMSS3D Wdeform

🚀 DS6_UNetMSS3D_wDeform

大脑血管为人类大脑提供所需的营养和氧气。作为脑供血的脆弱部分，小血管病变会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，图像空间分辨率得以提高，能够描绘大脑中的微小血管。基于非深度学习的血管分割方法，如Frangi血管增强及后续阈值处理，能够分割中大型血管，但往往难以分割小血管。虽然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，但这会耗费大量时间和人力，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时间飞跃法（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、不完美且半自动分割的数据集中进行训练和评估，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，并通过形变感知学习以自监督的方式对弹性形变保持不变性，从而提高泛化性能。该方法在测试集上进行了定量和定性评估，Dice系数达到了80.44 ± 0.83。此外，将该方法的结果与选定的手动分割区域（Dice系数为62.07）进行比较，通过形变感知学习取得了显著改善（提高了18.98%）。

📚 详细文档

模型详情

该模型由Soumick Chatterjee、Kartik Prabhu、Mahantesh Pattadkal、Gerda Bortsova、Chompunuch Sarasaen、Florian Dubost、Hendrik Mattern、Marleen de Bruijne、Oliver Speck、Andreas Nürnberger在DS6, Deformation-Aware Semi-Supervised Learning: Application to Small Vessel Segmentation with Noisy Training Data中提出。ArXiv预印本

模型描述

模型资源

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

📄 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，或使用了本仓库中的代码或权重，请在您的出版物中引用以下内容：

BibTeX：

@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}
}

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.