基于相似加权自组装框架的低质量少样本MRI脑卒中病变分割

Stroke Lesion Segmentation from Low-Quality and Few-Shot MRIs via Similarity-Weighted Self-ensembling Framework

摘要

背景
缺血性脑卒中是中低收入国家死亡率最高的常见疾病之一。尽管基于深度学习的分割方法在改善这些国家的医疗资源失衡和降低中风风险方面具有巨大潜力，现有的分割研究很难在这些低资源的环境中部署，因为它们对数据量（大量拍摄）和质量（高场和高分辨率）有很高的要求，而这些国家通常无法获得。
本文方法

1. 提出了一个加权相似性的自集成框架（SIGN）
2. 通过利用公开的神经胶质瘤数据，从低质量和少样本的MRI数据中分割中风病变。
3. 为了克服低质量的挑战，利用注意力机制从全局角度识别病变，并通过关注模糊区域逐步细化粗略预测
   代码地址

高资源（A）和低资源（B）设置之间的数据比较。
A. 3T MRI，包括主要从欧洲和北美收集的SISS和BraTS数据库中的个体的T1加权（T1w）、T2加权（T2w）和增强T1加权（e-T1w）图像。
B. 从尼日利亚0.30T MRI获得的代表性扫描的T1加权（T1w）、T2加权（T2w）和T2-FLAIR（FLAIR）图像。

本文方法

SIGN采用软分布感知更新策略（SDU）来训练Identifyto Discern Network（IDN），其中IDN预测输入的中风数据和神经胶质瘤数据的分割，SDU基于分割和标签确定最有利于肿瘤分割的优化方向

SIGN部署了感知软分布的更新策略（SDU），通过将神经胶质瘤的学习转移到中风数据来训练Identify-to-Discern网络（IDN），从而在很少的训练数据的情况下从低质量MRI中准确分割中风病变。在训练期间的每次迭代中，IDN预测低质量输入的病变分割，即一次中风数据和多个神经胶质瘤数据。SDU基于分割和标签来确定最有利于肿瘤分割的优化方向。SIGN在此迭代结束时基于上述优化方向更新IDN的参数。在测试过程中，训练有素的IDN能够独立分割中风病变。

IDN损失函数：

Soft Distribution-aware Updating (SDU)

软分布感知更新（SDU）利用大量的脑胶质瘤数据来辅助地确定少数脑卒中数据的优化方向，从而促进少数脑卒中病变的分割。主要是，在每次迭代中，SDU使用一个卒中数据，通过IDN的大步长给出粗略的优化方向，以确保IDN将被优化到有利于中风病变分割的方向。然后，基于上述粗略方向，SDU利用多个神经胶质瘤数据来指定详细的优化方向，充分利用大量拍摄的神经胶质瘤来辅助优化探索。最终，SDU通过指数移动平均（EMA）以上述总体优化方向更新IDN，以保持训练稳定性。因此，整个过程可以公式化如下：

实验结果