加速新生嬰兒腦部分割：利用多模態數據的深度學習方法

Accelerating Neonatal Brain Segmentation: A Deep Learning Approach Using Multimodality Data

專案目標：

• 解決 dHCP pipeline 分割耗時、不穩定的問題。
• 減少臨床專業人士手動修正腦區分割的人力成本。
• 深度學習分類中對於類別不平衡導致的分割誤差。

為了解決上述問題，提出了基於分層架構學習的 Hierarchical Detail Network （HiDeNet），實現方法如：

• 使用不同來源的數據集進行模型的訓練與推理，避免人工標記成本。
• 影像處理技術解決跨數據集挑戰。
• 分層式的學習架構更好的學習腦部分區。
• 使用加權損失函數解決類別不平衡的問題。

研究貢獻：

• 主要分割腦區數量為 87 區，並同時可以取得以組織等級區分出的 8 個腦區。
• 對於單一個案的分割速度從 30 分鐘（dHCP）減少至 118 秒。
• 每個腦區平均 Dice 相似係數準確率高達 75 %，mIOU 則是在 62 %，高於現有腦部分割模型。
• 小腦、腦室等區域分割準確率高於 dHCP pipeline 和其他 SOTA 模型。