基于CNN的新型图像分割流水线用于个体化猫脊髓刺激建模

2024-06-04 Tue
基于卷积神经网络（CNN）的图像分割流程用于个体化猫脊髓刺激建模背景与研究动机脊髓刺激（Spinal Cord Stimulation, SCS）是一种被广泛应用于慢性疼痛管理的治疗方法。近年来，它也被用于调节神经活动，旨在恢复失去的自主或感知运动功能。个性化的建模和治疗计划是确保SCS安全有效的重要方面。然而，生成所需细节和准确性水平的脊柱模型需要耗时且劳动密集的手工图像分割，由人类专家进行。因此，迫切需要自动化分割算法，以便在数据有限的情况下也能生成高质量的解剖模型。
论文来源本文由Alessandro Fasse、Taylor Newton、Lucy Liang、Uzoma Agbor、Cecelia Rowland、Niels Kuster、Robert Gaunt、Elvira Pirondini、Esra Neufeld撰写，作者分别来自 瑞士Foundation for Research on Information Technologies in Society (IT’IS)和Swiss Federal Institute of Technology (ETH)，美国University of Pittsburgh的Rehab and Neural Engineering Labs与Center for Neural Basis of Cognition。本论文于2023年发表在学术期刊《Journal of Neural Engineering》。
研究方法论文介绍了一种基于卷积神经网络（Convolutional Neural Network, CNN）的自动化脊髓MRI图像分割和模型生成流水线，分为以下几个步骤：
图像预处理
使用N4ITK偏场校正，改善MR图像的均匀度。
自适应掩膜算法用于提取感兴趣区域（Region of Interest, ROI），减少背景噪音。
数据增强
通过位移、旋转和缩放等仿射变换生成不同的图像变种，以增强网络的泛化能力。每个训练图像可生成2至5个增强图像。
传递学习
使用已经在一个数据集上训练好的网络权重进行初始化，以减少训练时间和提高性能。
后处理
采用自动化清理程序，识别并保留主要连通性成分，并剔除孤立的噪声区域，确保模型的连贯性。
数据获取和标注使用三只猫的脊髓MRI数据，分别为：
1. LS1：猫的腰骶椎区域。
2. LS2：猫的腰椎及部分骶椎区域。
3. CS1：猫的颈椎区域。
每个样本经过手工分割标注，为神经网络的训练和验证提供基础数据。具体包括脑脊液(CSF)、背根、硬膜外脂肪、灰质、腹根和白质等组织的分割。
神经网络架构使用了一种优化的HardNet架构，由数据量较少时表现较佳的HardNet网络模块与接收域块(RFB)解码器组合，最终形成多层卷积和转换层：
硬核网络模块（HardNet Blocks）：优化GPU内存带宽利用率，并通过减少权重数量加快收敛速度。
接收域块（Receptive Field Blocks）：增强网络在小数据集上的泛化性能和精确度。
训练细节数据增强：通过Python库Albumentations进行各种仿射变换，提高图像的多样性。
优化算法：采用Adam优化器进行反向传播，逐渐减少学习率以提高网络收敛性能。
性能评估通过以下指标评估分割效果：
1. Jaccard指数：用于评估网络分割结果与手工标注的相似度。
2. Hausdorff距离：用于评估分割结果在边界位置上的精度。
3. 激活函数（AF）：用于评估神经纤维的模拟激活情况。
主要研究结果分割精度：改进的HardNet网络展示了出色的分割性能，Jaccard指数达0.840，Hausdorff距离为179 μm，优于其他常见网络架构如ResNet和VGG。
传递学习效果：传递学习显著提高了网络在新数据集上的泛化能力，尤其是在解剖区域不同的情况下，如从腰骶椎到颈椎的泛化。
自动化清理程序：通过自动清理程序，进一步提高了分割的连续性和一致性，确保模型的解剖正确性。
研究意义本文开发的基于CNN的自动化脊髓图像分割流水线，显著提高了分割效率与精度，减少了人工干预需求，且与传统手工分割相比具有更高的一致性，推动了SCS个性化治疗计划的制定。进一步，这种流水线在其他医学图像分割应用中也具有潜在的广泛应用价值。
未来研究方向提高训练数据的多样性和数量，以增强网络的泛化能力。
在人体尸体的脊髓MRI数据上进行进一步验证，以确保其在临床上的可行性。
探索更多的数据增强和生成对抗网络（GAN）技术，以合成更多高质量的训练数据。
结论本文提出了一种基于CNN的自动化脊髓MRI图像分割流水线，并通过多种图像预处理和数据增强技术提高了分割精度。传递学习和自动化清理程序进一步提升了模型的实用性，为個性化脊髓刺激治疗的临床应用奠定了基础。在未来的研究中，可通过更多数据和更复杂的技术进一步提高其泛化能力和实际应用效果。