37、医学图像分割新方法：CoTAN与SSU-Net的探索

医学图像分割新方法：CoTAN与SSU-Net的探索

在医学图像领域，准确的图像分析和处理对于疾病诊断和治疗至关重要。本文将介绍两种创新性的方法：用于新生儿皮质表面重建的CoTAN，以及用于细长生理结构分割的SSU-Net。

CoTAN：新生儿皮质表面重建的新利器

CoTAN（Conditional Temporal Attention Networks）是一种用于微分同胚新生儿皮质表面重建的方法。它采用注意力机制将多个静态向量场（SVFs）组合成一个条件时变向量场（CTVF），在几何精度和网格质量方面优于现有的基线方法。

实验局限性与优势

实验的一个局限性在于，仅基于dHCP结构管道生成的伪地面真值（pseudo-GT）对CoTAN进行训练和评估。由于新生儿大脑在短时间内快速发育，传统的重测实验对于新生儿不可行。为验证CoTAN的解剖学准确性，通过对伪地面真值和CoTAN的定性比较发现，CoTAN能有效减轻dHCP管道对不同年龄新生儿受试者引入的损坏。此外，dHCP管道处理单个受试者需要4小时，而CoTAN每个脑半球提取皮质表面仅需0.21秒，具有显著的效率优势。

应用拓展与未来展望

CoTAN不仅适用于新生儿皮质表面重建，还可根据受试者的年龄、性别或病理信息进行扩展，用于提取成人皮质表面。未来的工作将把CoTAN集成到一个基于学习的管道中，用于跨所有年龄组的通用皮质表面分析。

SSU-Net：细长生理结构分割的创新方案

细长生理结构的稳健准确分割在医学图像分析中是一项具有挑战性的任务，特别是在存在不均匀照明、伪影或疾病干扰的模糊区域。为解决这一问题，研究人员提出了空