准确的脑组织分割在各种神经科学和临床研究中至关重要。由于人类一生中大脑结构和功能的时空动态变化，大脑磁共振图像（MRI）呈现出纵向的异质性外观，导致不同时期的分割困难。这极大地阻碍了现有基于学习的脑组织自动分割方法的通用性和纵向一致性，特别是考虑到特定时间点的标注训练样本在实践中可能非常有限。
在本文中，我们重新审视并重新表述了纵向一致的表征学习的想法。从本质上讲，我们做出两个合理的基本假设： 1）独立于变化的MRI外观，不同组织类型之间的高阶差异在时间轨迹上是相对稳定的；2）准确的组织分割需要一个可靠的映射函数来无缝融合语义信息和特定年龄的高分辨率图像细节。根据这样的假设，我们提出了一个统一的元学习框架，同时学习用于年龄无关（即纵向一致）表征学习的通用特征提取器和一个初始化良好的分割头，可以通过少数特定年龄的样本（如一个标记的MRI）灵活调整，以建立可在整个生命周期内通用的精确分割模型。在具有挑战性的单样本分割实验环境下，我们的方法在婴儿和老年数据集上都显著优于最先进的纵向一致性学习方法。
参考文献：
Yongheng Sun, Fan Wang*, Jun Shu, Haifeng Wang, Li Wang*, Deyu Meng, Chunfeng Lian*, "Dual Meta-Learning with Longitudinally Consistent Regularization for One-Shot Brain Tissue Segmentation Across the Human Lifespan", ICCV 2023. (Co-corresponding authors)