大脑提取是神经影像分析必不可少的预处理步骤。具有伪影和灰度不一致的低质量脑MRI图像难以实现高精度提取，这往往导致提取的脑组织中出现不规则的空洞区域。此外，基于 U-Net 的大脑提取方法倾向于输出过度平滑的大脑边界。为了去除提取的掩码中的那些不规则孔，我们提出了一种新的基于 U-Net 的大脑提取模型，名为 O-Net。O-Net 将 U-Net 中的跳过连接路径替换为包含 O 形网络注意力模块的双快捷路径，该路径使用深度语义信息突出目标区域，同时保留更多图像细节。O-Net 有效降低了大脑 MRI 图像中由伪影或灰度不一致引起的强度差异对提取结果的影响。为了更准确地识别大脑边界，我们设计了一种新的基于 GAN 的大脑提取方法，它使用上面的 O-Net 作为分割网络。所提出的GAN模型的判别网络采用残差结构来增强网络的非线性表达能力，以平衡两个网络的对抗训练。为了加速所提出模型的收敛，在对抗性损失中添加了分割损失以监督分割网络的特征学习。该方法在两个公共数据集（IBSR18 和 LPBA40）上与其他流行的大脑提取方法进行了比较。该方法在IBSR18和LPBA40上得到的平均Dice相似系数分别为97.26%和98.29%。在对比实验中，所提出的方法在两个公共数据集上的结果是最好的。实验结果表明，该模型能够稳定输出高精度的脑组织提取图像，并且伪影和灰度不一致性的影响较小。



"点击查看英文标题和摘要"