Segmenting Hippocampal Subfields from 3T MRI with Multi-modality Images

在本文中，我们提出了一种使用 3T 多模态 MR 图像的基于学习的自动海马子场分割方法，包括结构 MRI（T1，T2）和静止状态 fMRI（rs-fMRI）。分别提取外观特征和关系特征以捕获结构 MR 图像中的外观模式以及 rs-fMRI 中的连通性模式。在训练阶段，采用这些提取的特征来训练结构化的随机森林分类器，该分类器通过采用上下文特征和更新的关系特征在自动上下文模型中进一步迭代完善。在测试阶段，将提取的特征输入经过训练的分类器中，以预测每个海马亚域的分割，并通过训练的自动上下文模型迭代地完善预测的分割。据我们所知，这是第一项使用 rs-fMRI 的关系特征解决具有挑战性的海马亚域自动分割的工作，该功能旨在捕获不同海马亚域的连通性模式。

综述

以前，大多数自动海马分割技术都将海马作为一个整体进行处理。然而，越来越多的神经科学发现表明，海马亚域可能比整个海马体产生更多有价值的信息。由于结构尺寸小，信号对比度低（信号噪声比）以及 3T MR 图像中的图像分辨率不足，自动海马子场分割仍然是一个难题。为了解决自动海马区细分的挑战，提出了三种策略。 a）从死后海马的超高分辨率图像中将分割图集配准到体内数据。通过将地图集配准到目标图像上，可以自动分割海马子场。 b）专用扫描协议。 c）同一主题的多个扫描系列。迄今为止，尚无尝试使用功能性模态图像来改善海马亚视野分割的工作。

方法

在本文中，我们建议使用 3T 多模态 MR 图像（3T T1 MRI，3T T2 MRI 和 3T rs-fMRI）自动分割海马亚视野。除了探索结构性MRI（T1和T2 MRI）的外观模式外，我们还探索rs-fMRI的不同子字段的连通性模式以帮助分割。提取外观特征和关系特征以分别捕获结构 MRI 中的外观模式以及 rs-fMRI 中的连接模式。这些提取的特征输入到结构化随机森林和自动上下文离线学习框架中进行训练。然后，可以构造分割分类器。当测试图像到来时，提取其相应的外观特征和关系特征，然后将其输入到学习的分类器中进行分割。

总结

分别提取特征，再用随机森林进行分割。