54、医学图像分割：高效模型助力精准诊断

医学图像分割：高效模型助力精准诊断

协作分割 - 生成框架（CSGF）：解决猕猴脑部图像模态缺失问题

数据集与预处理

实验使用了来自公共 UNC - Wisconsin 神经发育猕猴数据库的 155 个猕猴结构性 MRI 样本，年龄范围在 0 到 36 个月。每个样本包含 T1w 和 T2w 图像，参数如下：
- T1w：矩阵为 256 × 256，分辨率为 0.5469 × 0.5469 × 0.8 mm³。
- T2w：矩阵为 256 × 256，分辨率为 0.6016 × 0.6016 × 0.6 mm³。

图像预处理步骤如下：
1. 使用 FSL 中的 FMRIB’s Linear Image Registration Tool (FLIRT) 将每个 T2w 图像刚性对齐到对应的 T1w 图像。
2. 将所有图像重采样到 0.5469 mm 的各向同性分辨率。
3. 使用特定方法去除脑颅骨。
4. 使用 N4 偏差校正进行强度不均匀性校正。
5. 通过 LINKS 获得每个扫描的初始组织分割，然后由经验丰富的专家使用 ITK - SNAP 软件进行手动校正。

问题建模

基于主要模态 T1w 和辅助模态 T2w 数据构建协作分割 - 生成框架（CSGF）。假设数据集为 ${T1_i, T2_i, M_i}_{i = 1\sim N}$，其中 $T1_i$ 和 $T2_i$ 分别表示第 $i$ 次扫描的 T1w 和 T2w 图像，$M_i$ 表示第 $i$ 次扫描的组织标签。框架可表示为：
$\hat{M}_i = S(T1_i, T2_i)$ <