37、等信号婴儿脑分割的在线判别式多图谱学习

等信号婴儿脑分割的在线判别式多图谱学习

1. 引言

准确地将婴儿脑图像分割为白质（WM）、灰质（GM）和脑脊液（CSF）是测量和理解早期大脑发育的基础工作。这些图像通常存在组织对比度降低、噪声增加以及严重的部分容积效应，这是由于大脑正在成熟和白质髓鞘化所致。特别是在等信号图像（6 - 12个月大）中，磁共振（MR）模态下的组织对比度极低，T1和T2图像中白质和灰质的强度分布有很大重叠，这给传统的脑组织分割方法带来了挑战。

多图谱基于补丁的标记方法最近成为脑MRI分割的一个有吸引力的方向。早期工作使用可变形配准来建立每个已知标签的图谱与目标之间的基于点的对应关系，然后利用所有变形图谱的上下文信息对目标进行标签融合。近期的研究则较少强调显式配准，而是使用更复杂的模型，纳入了基于补丁特征的网络等灵活配置。这些方法假设相似的图像补丁应该具有相似的解剖标签，然后通过建模强相关的补丁将标签从图谱转移到目标图像。然而，这些多图谱标记方法在实践中仍存在一些局限性：
- 候选图谱之间的关系研究不足 ：传统上，它们独立测量与目标补丁的相似性。近期的工作通过施加一些约束（如空间偏差、稀疏性、贝叶斯框架）来探索它们之间的标记误差，但补丁之间的关系在变换空间中仍未被彻底发现。此外，随着模板数量的增加，计算负担会急剧增加，如果候选补丁被错误标记到一定程度，它们将主导标签融合过程并导致错误结果。
- 标签融合的补丁字典收集方式存在问题 ：本质上，标签融合的补丁字典是以无监督的方式收集的，即让候选补丁的组合接近目标补丁。这个字典对于补丁表示是最优的，但不一定对标签融合最优。虽然近期的工作探索了海马体标记的字典学习，但较少考虑类内和类间的