解剖学报

作者：白贺,滕野,冯蕾,孟海伟,汤煜春,刘树伟

单位：1.山东大学基础医学院解剖学与神经生物学系，断层解剖学与数字人研究院，济南 250012; 2.山东大学脑与类脑科学研究院，济南 250012

关键词： 空间域与频域特征自适应融合, 类间边界区域增强, 医学图像分割, 海马分割, 人

基金：注意网络的影像遗传学研究;大脑皮质折叠的早期形态发生;结构脑网络组的出生前发育与可视化;中国人4D数字化脑图谱可视化系统;数字人体研究成果在临床手术规划的应用与产业化

目的： 海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志，因此准确分割海马是一个重要的科学问题。随着深度学习的发展，人们提出了大量先进的自动分割方法。然而，由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界，三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。：： 方法： 为了克服这些挑战，本文提出了两个策略。一种是空间域与频域特征自适应融合策略，通过快速傅立叶变换和卷积自动选择合适的频率组合，减少噪声对特征提取的影响。另一种是类间边界区域增强策略，它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习，以达到精确定位边界和调节海马头、体、尾大小的目的。：： 结果： 在50例青少年大脑MRI数据集上进行的实验表明，我们的方法实现了较先进的海马分割，海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效，我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力，说明本文提出的方法可用于更多的海马分割场景。：：：结论 我们提出的方法可以帮助临床医生更清楚地观测海马萎缩，并完成更精确的病情诊断和追踪。

来源：2024年第1期

《解剖学报》期刊编辑部

查看解剖学报杂志2024年第1期