Improved Segmentation of Deep Sulci in Cortical Gray Matter Using a Deep Learning Framework Incorporating Laplace’s Equation

要約

大脳皮質のセグメンテーションを自動化するツールを開発する場合、幾何学的に妥当なモルフォメトリーを計算するために、位相的に正しいセグメンテーションを作成する能力が重要である。実際には、正確な皮質セグメンテーションは、画像アーチファクトと大脳皮質自体の非常に複雑な解剖学的構造によって挑戦されています。この問題を解決するために、我々は、大脳皮質の形状に関する事前知識を学習過程でネットワークに組み込む、新しい深層学習ベースの皮質セグメンテーション法を提案する。皮質に適用されるラプラス方程式の理論を利用して、しっかりと折り畳まれた溝間の未解決の境界線に局所的にペナルティを与える損失関数を設計する。ヒトの内側側頭葉の生体外MRIデータセットを用いて、我々のアプローチがベースラインのセグメンテーションネットワークを定量的にも定性的にも凌駕することを実証する。

要約(オリジナル)

When developing tools for automated cortical segmentation, the ability to produce topologically correct segmentations is important in order to compute geometrically valid morphometry measures. In practice, accurate cortical segmentation is challenged by image artifacts and the highly convoluted anatomy of the cortex itself. To address this, we propose a novel deep learning-based cortical segmentation method in which prior knowledge about the geometry of the cortex is incorporated into the network during the training process. We design a loss function which uses the theory of Laplace’s equation applied to the cortex to locally penalize unresolved boundaries between tightly folded sulci. Using an ex vivo MRI dataset of human medial temporal lobe specimens, we demonstrate that our approach outperforms baseline segmentation networks, both quantitatively and qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL