点状白质病变是一种典型的早产儿脑白质损伤,可能导致精神运动发育迟缓、运动迟缓和脑瘫等严重的神经发育障碍。准确分割点状白质病变对临床及时诊断和治疗至关重要。而这种病变体积较小、图像对比度低,且受试者间的病变数量以及损伤程度差异大,都为婴儿脑MR图像自动分割点状白质病变带来了多方面的挑战。
我们针对这一问题提出利用反事实推理的思想,结合脑组织分割的辅助任务来学习该病变的精细的位置信息和形态表征,以实现准确的定位和分割。其中反事实推理可以为病变分割提供初步的病变“定位”指导,而脑组织分割任务中自然包含了和病变分割任务相关的解剖先验知识和位置引导。
基于此,我们设计了一个简单且有效的深度学习框架(即DeepPWML)。它结合病变反事实图和组织分割概率图以及原始MR图像中蕴含的外观信息,实现了点状白质病变的精细分割,并在真实临床婴儿T1w MR图像的数据集上取得了最先进的效果。
参考文献:
Zehua Ren, Yongheng Sun, Miaomiao Wang, Xianjun Li, Chao Jin, Jian Yang, Chunfeng Lian* and Fan Wang*. Punctate White Matter Lesion Segmentation in Preterm Infants Powered by Counterfactually Generative Learning. In: International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2023)