TABSurfer: a Hybrid Deep Learning Architecture for Subcortical Segmentation

要約

皮質下セグメンテーションは、脳 MRI スキャンの定量的構造解析における重要な応用にもかかわらず、依然として課題が残っています。
最も正確な方法である手動セグメンテーションは非常に労働集約的であるため、このタスクを処理するために FreeSurfer などの自動ツールが採用されています。
ただし、これらの従来のパイプラインは時間がかかり、大規模なデータセットを処理するには非効率的です。
この研究では、既存の最先端ツールと比較して優れた皮質下セグメンテーションのために設計された新しい 3D パッチベースの CNN-Transformer ハイブリッド深層学習モデルである TABSurfer を提案します。
評価するために、まず、FreeSurfer と比較して大幅に短い処理時間で、さまざまな T1w MRI データセットにわたって TABSurfer の一貫したパフォーマンスを実証します。
次に、手動セグメンテーションに対して検証します。手動のグランド トゥルースに基づいて、TABSurfer が FreeSurfer よりも優れたパフォーマンスを示します。
各テストでは、主要な深層学習ベンチマークである FastSurferVINN に対する TABSurfer の利点も確立しています。
これらの研究を総合すると、高忠実度で完全に自動化された皮質下セグメンテーションのための強力なツールとしての TABSurfer の有用性が強調されます。

要約(オリジナル)

Subcortical segmentation remains challenging despite its important applications in quantitative structural analysis of brain MRI scans. The most accurate method, manual segmentation, is highly labor intensive, so automated tools like FreeSurfer have been adopted to handle this task. However, these traditional pipelines are slow and inefficient for processing large datasets. In this study, we propose TABSurfer, a novel 3D patch-based CNN-Transformer hybrid deep learning model designed for superior subcortical segmentation compared to existing state-of-the-art tools. To evaluate, we first demonstrate TABSurfer’s consistent performance across various T1w MRI datasets with significantly shorter processing times compared to FreeSurfer. Then, we validate against manual segmentations, where TABSurfer outperforms FreeSurfer based on the manual ground truth. In each test, we also establish TABSurfer’s advantage over a leading deep learning benchmark, FastSurferVINN. Together, these studies highlight TABSurfer’s utility as a powerful tool for fully automated subcortical segmentation with high fidelity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google