Contrast-Invariant Self-supervised Segmentation for Quantitative Placental MRI

要約

胎盤の定量分析には、正確な胎盤セグメンテーションが不可欠です。
ただし、このタスクは、次のことにより、T2*の重み付き胎盤イメージングで特に困難です。（1）個々のエコー全体の弱い境界コントラスト。
（2）すべてのエコー時間の手動地面の真理注釈がない。
（3）胎児および母体の動きによって引き起こされるエコー全体のモーションアーティファクト。
この作業では、堅牢でコントラスト不変の表現を学習するために、マルチエコーT2*の重み付きMRI全体で補完的な情報を活用するコントラストの高度化セグメンテーションフレームワークを提案します。
私たちの方法は統合されています：（i）ラベルのないマルチエコースライスの自己監視された事前削除のためのマスクされた自動エンコード（MAE）。
（ii）エコー時代にわたる監視されていないドメイン適応のためのマスクされた擬似標識（MPL）。
（iii）グローバルローカルコラボレーションは、細粒の特徴をグローバルな解剖学的コンテキストに合わせます。
さらに、同じ主題のエコー全体で表現の一貫性を促進するために、セマンティックマッチング損失を導入します。
臨床的マルチエコー胎盤MRIデータセットの実験は、私たちのアプローチがエコーの時間に効果的に一般化し、シングルエコーと素朴な融合ベースラインの両方を上回ることを示しています。
私たちの知る限り、これは胎盤セグメンテーションのためにマルチエコーT2*の重量MRIを体系的に活用する最初の作業です。

要約(オリジナル)

Accurate placental segmentation is essential for quantitative analysis of the placenta. However, this task is particularly challenging in T2*-weighted placental imaging due to: (1) weak and inconsistent boundary contrast across individual echoes; (2) the absence of manual ground truth annotations for all echo times; and (3) motion artifacts across echoes caused by fetal and maternal movement. In this work, we propose a contrast-augmented segmentation framework that leverages complementary information across multi-echo T2*-weighted MRI to learn robust, contrast-invariant representations. Our method integrates: (i) masked autoencoding (MAE) for self-supervised pretraining on unlabeled multi-echo slices; (ii) masked pseudo-labeling (MPL) for unsupervised domain adaptation across echo times; and (iii) global-local collaboration to align fine-grained features with global anatomical context. We further introduce a semantic matching loss to encourage representation consistency across echoes of the same subject. Experiments on a clinical multi-echo placental MRI dataset demonstrate that our approach generalizes effectively across echo times and outperforms both single-echo and naive fusion baselines. To our knowledge, this is the first work to systematically exploit multi-echo T2*-weighted MRI for placental segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google