44、基于本体的全脑分割层次结构关系学习

基于本体的全脑分割层次结构关系学习

1 引言

全脑分割在大脑发育、衰老和退化等各种解剖学研究中至关重要。然而，由于软组织对比度低、解剖结构变异性高以及标记数据有限，尤其是对于细粒度结构，准确分割全脑结构具有挑战性。

过去十年，人们探索了多种基于MRI的全脑分割方法：
- 多图谱方法 ：简单有效，是事实上的标准全脑分割方法。通过配准、联合标签融合和可能的校正学习，将图谱图像的标签传播到目标图像。但计算效率低，在组织对比度低时难以利用复杂的上下文信息。
- 深度学习方法 ：在各种医学图像分割任务中表现出色，如QuickNAT、SLANT和Wu等人的方法，在计算效率和分割精度上都优于传统的多图谱方法。

然而，现有方法往往忽略了人类大脑解剖学的基于本体的层次结构关系（OHSR）。大多数方法假设所有大脑结构是不相交的，使用多个U-Net分别对多个感兴趣的结构进行体素级预测。而神经解剖学专家是从粗到细地识别和描绘大脑解剖结构的。因此，探索和捕捉OHSR对于全脑分割非常重要。

为了模仿专家对大脑解剖学的层次感知，提出了一种基于本体学习大脑层次结构的新方法，用于全脑分割。该方法将多层次本体知识编码到体素级嵌入空间中，使用具有动态违反边距的三元组损失进行深度度量学习，使网络能够利用不同大脑结构之间的层次关系。

2 方法

2.1 三元组损失

三元组损失的目标是学习一个特征嵌入空间，其中特征之间的距离对应于对象之间的语义差异。给定一个三元组$T_i = {f_i, f^+ i, f^-_i}$，包括一个锚体素级