CINA: Conditional Implicit Neural Atlas for Spatio-Temporal Representation of Fetal Brains

我们介绍了一种条件隐式神经图谱(CINA)用于从神经典型和病理性胎儿脑磁共振图像(MRI)中生成时空图谱，完全独立于仿射或非刚性配准。在训练期间，CINA学习了胎儿大脑的一般表示，并将特定主体的信息编码为潜在代码。训练后，CINA可以构建一个忠实的图谱，包括在训练域内涵盖的任何孕龄(GA)和解剖变异的胎儿脑的组织概率图。因此，CINA能够表示神经典型和病理性大脑。此外，训练好的CINA模型可以通过测试时优化潜在代码来适应未见过的受试者的脑MRI。然后，CINA可以生成适合特定受试者的概率组织图。我们在dHCP和FeTA数据集的198个正常和异常胎儿脑的总体上评估了我们的方法。我们展示了CINA表示胎儿脑图谱的能力，可以灵活地以GA和解剖变异为条件，如脑室容积或皮质折叠程度，使其成为建模神经典型和病理性大脑的合适工具。我们通过组织分割和年龄预测来量化图谱的保真度，并将其与已建立的基线进行比较。CINA对于神经典型大脑和脑室扩大的病理性大脑具有优越的准确性。此外，CINA在胎儿脑年龄预测方面得分的平均绝对误差为0.23周，进一步证实了对胎儿脑发育的准确表示。

论文旨在通过条件隐式神经图谱生成方法，解决从磁共振成像（MRI）中生成神经型和病理型胎儿大脑的时空图谱的问题，同时避免使用仿射或非刚性配准。

论文提出了一种条件隐式神经图谱生成方法（CINA），通过在训练过程中学习胎儿大脑的一般表示，并将特定主体信息编码为潜在代码，可以构建出符合任何孕龄和解剖变异的胎儿大脑组织概率图的忠实图谱。同时，该方法还可以通过测试时间优化潜在代码，将训练好的CINA模型适应于未见过的主体。

论文使用了198个正常和异常胎儿大脑的T2加权MRI数据集进行评估，证明了CINA能够灵活地根据孕龄和解剖变异生成胎儿大脑图谱，适用于建模神经型和病理型大脑。作者还通过组织分割和年龄预测等方法，量化了图谱的准确性，并与现有基线方法进行了比较，证明了CINA在神经型大脑和脑室扩张病理型大脑方面具有优越的准确性。

在这个领域中，最近的相关研究包括：1.《Fetal Brain MRI Synthesis using Deep Learning for Improved Fetal Brain Segmentation》；2.《Deep Learning for Fetal Head Circumference Estimation: A Comparative Study》；3.《Fetal Brain Segmentation from 3D MRI using a Hierarchical Deep Convolutional Neural Network》。