[论文解读] Quantifying white matter hyperintensity and brain volumes in heterogeneous clinical and low-field portable MRI

Pablo Laso, Stefano Cerri+22 more|arXiv (Cornell University)|Dec 8, 2023

Advanced Neuroimaging Techniques and Applications被引用 12

一句话总结

WMH-SynthSeg 是一个 CNN，它能从任意分辨率/对比的扫描中分割 WMH 和 36 个脑区域，包括低场便携式 MRI，无需再训练，显示出强烈的跨场相关性。

ABSTRACT

Brain atrophy and white matter hyperintensity (WMH) are critical neuroimaging features for ascertaining brain injury in cerebrovascular disease and multiple sclerosis. Automated segmentation and quantification is desirable but existing methods require high-resolution MRI with good signal-to-noise ratio (SNR). This precludes application to clinical and low-field portable MRI (pMRI) scans, thus hampering large-scale tracking of atrophy and WMH progression, especially in underserved areas where pMRI has huge potential. Here we present a method that segments white matter hyperintensity and 36 brain regions from scans of any resolution and contrast (including pMRI) without retraining. We show results on eight public datasets and on a private dataset with paired high- and low-field scans (3T and 64mT), where we attain strong correlation between the WMH ($ρ$=.85) and hippocampal volumes (r=.89) estimated at both fields. Our method is publicly available as part of FreeSurfer, at: http://surfer.nmr.mgh.harvard.edu/fswiki/WMH-SynthSeg.

研究动机与目标

• 开发一种分割方法，能够从具有不同分辨率和对比度的 MRI 扫描中量化 WMH 和 36 个脑 ROI，包括低场便携式 MRI（pMRI）。
• 在异构的临床数据中实现准确的体积分析和萎缩评估，而无需重新训练。
• 利用带有领域随机化的合成训练数据，以实现对比度和分辨率不可知的性能。
• 在多个公开数据集和一个私有的 3T/64mT 对照数据集上评估该方法，以证明跨场有效性。

提出的方法

• 使用合成 MRI 生成器，在保持 WMH 标签一致的同时，产生具有随机形变、强度、偏置场和分辨率的训练数据。
• 训练一个具有五级结构和组归一化的 3D U-net，以多任务损失输出分割结果和辅助目标（偏置场和高分辨率 T1w 强度）。
• 损失函数将交叉熵、Dice、以及 T1w 强度和对数偏置场的 L1 误差结合起来，以提高鲁棒性（包括对 WMH 均值的先验）。
• 测试时输入重新采样为 1mm 等方性；通过左右翻转和平均预测结果来应用测试时增强。
• 该模型在合成数据上训练，但在真实高场数据集（如 36 个 ROI 和 WMH）上进行评估以验证准确性。

Fig. 1 : Input, ground truth, and automated segmentations of a sample high-field scan from the Singapore dataset. The top row shows the high-resolution axial view; the bottom row shows a lower resolution orthogonal view (in sagittal orientation).

实验结果

研究问题

• RQ1 是否能够在无需重新训练的情况下，从临床和低场 MRI 中准确分割 WMH 和 36 个脑 ROI？
• RQ2 该方法在不同分辨率和对比度下的表现如何，包括 64mT 便携式 MRI？
• RQ3 多任务学习和 WMH 均值先验对分割精度和鲁棒性的影响是什么？
• RQ4 从 pMRI 得到的 WMH 与海马体体积与真实高场测量的相关性如何？

主要发现

• 在高场数据集上，WMH-SynthSeg 在解剖结构和 WMH 的 Dice 分数方面与 SAMSEG 和 LST 相比具有竞争力或更优。
• 完整的 WMH-SynthSeg 模型（含 WMH 均值先验和多任务学习）在 FLAIR/1mm 数据上提供最佳的 WMH Dice(0.62) 和解剖 Dice(0.79)，优于消融模型。
• 从 pMRI 得到的体积与高场真实值之间的相关性，与竞争方法相比显著更高（例如，报道结果中 WMH 大约为 ~0.75–0.85，海马体大约为 ~0.86）。
• LST 处理低场数据效果不佳，而 SAMSEG 保持对比无关但假阳性较多；WMH-SynthSeg 能从多种对比度中在 1mm 等方性分辨率下产出各向同性的高质量分割。
• 该方法能够从 T1w 图像生成 WMH 分割，其性能与基于 FLAIR 的方法相当，扩展了在临床工作流中的可用性。

Fig. 2 : (a) High-field 1mm isotropic FLAIR from MGH dataset. (b) LST segmentation, used as ground truth for WMH. (c) High-field 1mm T1w. (d) FreeSurfer segmentation of (c), used for ground truth for anatomy. (e) pMRI of the same subject at 2x2x5.8mm axial resolution. (f) WMH-SynthSeg segmentation.