Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging

要約

超高磁場 (UHF) 磁気共鳴画像法 (MRI)、つまり 7T MRI は、強化された信号対雑音比と感受性誘起コントラストにより、内部脳構造の優れた解剖学的詳細を提供します。
ただし、7T MRI の普及は、低磁場 (LF) MRI に比べてコストが高く、アクセスしやすさが低いため制限されています。
この研究は、7T のない環境での脳画像セグメンテーション タスクのために、入力 LF 磁気共鳴特徴表現と推論された 7T のような特徴表現を体系的に融合する深層学習フレームワークを提案します。
具体的には、当社の適応融合モジュールは、事前トレーニングされたネットワークによって LF 画像から導出された 7T のような特徴を集約し、それらを LF 画像の特徴に効果的に同化可能な UHF ガイダンスとなるように洗練します。
このような集約と同化から得られる強度ガイド付き特徴を使用すると、セグメンテーション モデルは、LF 特徴のみに依存する場合には通常認識するのが難しい微妙な構造表現を認識できます。
このような利点に加えて、この戦略は、任意のセグメンテーション モデルを使用する場合でも、UHF ガイダンスに合わせて LF 特徴のコントラストを調整することでシームレスに利用できます。
徹底的な実験により、提案された方法が脳組織と脳全体のセグメンテーションタスクの両方ですべてのベースラインモデルを大幅に上回ることが実証されました。
さらに、多様なセグメンテーション モデルとタスクをうまく統合することで、優れた適応性と拡張性を示しました。
これらの改善は定量化できるだけでなく、セグメンテーション マスクの最高の視覚品質にも表れています。

要約(オリジナル)

Ultrahigh-field (UHF) magnetic resonance imaging (MRI), i.e., 7T MRI, provides superior anatomical details of internal brain structures owing to its enhanced signal-to-noise ratio and susceptibility-induced contrast. However, the widespread use of 7T MRI is limited by its high cost and lower accessibility compared to low-field (LF) MRI. This study proposes a deep-learning framework that systematically fuses the input LF magnetic resonance feature representations with the inferred 7T-like feature representations for brain image segmentation tasks in a 7T-absent environment. Specifically, our adaptive fusion module aggregates 7T-like features derived from the LF image by a pre-trained network and then refines them to be effectively assimilable UHF guidance into LF image features. Using intensity-guided features obtained from such aggregation and assimilation, segmentation models can recognize subtle structural representations that are usually difficult to recognize when relying only on LF features. Beyond such advantages, this strategy can seamlessly be utilized by modulating the contrast of LF features in alignment with UHF guidance, even when employing arbitrary segmentation models. Exhaustive experiments demonstrated that the proposed method significantly outperformed all baseline models on both brain tissue and whole-brain segmentation tasks; further, it exhibited remarkable adaptability and scalability by successfully integrating diverse segmentation models and tasks. These improvements were not only quantifiable but also visible in the superlative visual quality of segmentation masks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google