Aprendizado de Prompt Guiado por Conhecimento para Segmentação de Imagens de RM do Cérebro ao Longo da Vida

A segmentação automática e precisa de imagens de RM do cérebro ao longo da vida humana em tecido e estrutura é crucial para entender o desenvolvimento cerebral e diagnosticar doenças. No entanto, desafios surgem devido às variações complexas na aparência do cérebro em decorrência do rápido desenvolvimento cerebral inicial, envelhecimento e distúrbios, agravados pela disponibilidade limitada de conjuntos de dados rotulados manualmente. Em resposta, apresentamos uma estrutura de segmentação em duas etapas utilizando Aprendizado de Prompt Guiado por Conhecimento (KGPL) para RM cerebral. Especificamente, primeiro pré-treinamos modelos de segmentação em conjuntos de dados de grande escala com rótulos sub-otimais, seguidos pela incorporação de embeddings guiados por conhecimento aprendidos a partir do alinhamento imagem-texto nos modelos. A introdução de prompts baseados em conhecimento captura relacionamentos semânticos entre variabilidade anatômica e processos biológicos, permitindo que os modelos aprendam embeddings de características estruturais em diversos grupos de idade. Os resultados experimentais demonstram a superioridade e robustez do nosso método proposto, notavelmente perceptível ao empregar Swin UNETR como base. Nossa abordagem alcança valores médios de DSC de 95,17% e 94,19% para a segmentação de tecido e estrutura cerebral, respectivamente. Nosso código está disponível em https://github.com/TL9792/KGPL.