摘要

我们提出了一种深度学习策略，首次实现了对未经任何预处理的脑部MRI扫描图像的对比度无关语义分割，且无需针对新模态进行额外训练或微调。传统的贝叶斯方法通过无监督的强度建模解决此类分割问题，但需要耗费大量计算资源。相比之下，基于学习的方法在测试阶段具有较快的推理速度，但其性能高度依赖于训练阶段所使用的数据。我们提出的新型学习方法——SynthSeg，仅需一组训练用的分割标签（无需对应的强度图像），即可在训练过程中实时生成具有广泛对比度差异的合成图像样本。这些合成样本基于经典贝叶斯分割框架中的生成模型生成，其外观、形变、噪声及偏置场等参数均采用随机采样。由于每个小批量（mini-batch）所使用的合成对比度各不相同，最终训练得到的网络不会对任何特定MRI对比度产生偏差。我们在包含超过1000名受试者、涵盖四种不同类型MR对比度的四个数据集上对本方法进行了全面评估。结果表明，该方法能够成功对数据中所有对比度的图像进行分割，性能略优于传统贝叶斯分割方法，且速度提升达三个数量级。此外，即使在同一类MRI对比度下，本方法在不同数据集间的泛化能力也显著优于使用真实图像进行训练的模型。最后，我们发现，即便合成的对比度在现实中并不合理，只要覆盖足够广泛的范围，仍能有效提升神经网络的泛化性能。相关代码与模型已开源，可通过 https://github.com/BBillot/SynthSeg 获取。