文章目录
相关医学常识
白质高信号
白质病变的特点是双侧,大多对称高强度的t2加权MRI是常见的老年人。虽然与脑血管疾病和血管危险因素密切相关,但这些白质病变的发病机制尚不清楚,可能是多因素的。Presumed vascular origin的白质高信号(WMH)是脑小血管疾病(SVD)的主要表现之一,并且在中风,痴呆和衰老中是很重要的特征表现。白质高信号有时候被认为是一种随着衰老而产生的一种正常表现,因为随着年龄的增强,每个人都会或多或少的出现白质高信号。在MRI Flair相上,wmh跟其他脑组织相比明显表现为高信号[1],如下图所示:
由上图可以看到,wmh在T1上的白质区域内为一个低信号,而在Flair上为明显的高信号。
Fazekas量表
目前临床应用广泛的有 ARWMC、Fazekas、改良 Scheltens、Ylikoski等4个脑白质病变评分量表的信度进行研究。
可认为 4个量表中 Fazekas量表最简单、易操作。而Fazekas量表只有两个项目,且每个项目的评阅方法简单,占用时间少。
Fazekas量表[3] (0~6分),将脑室旁和深部白质病变分开评分。两部分的分数相加计算总分。[2]
脑室旁高信号评分:
①0分:无病变;
②1分:帽状或者铅笔样薄层病变;
③2分:病变呈光滑的晕圈;
④3分:不规则的脑室旁高信号,延伸到深部白质。
深部白质信号:
①0分:无病变;
②1分:点状病变;
③2 分:病变开始融合;
④3 分:病变大面积融合。
一个根据Fazekas量表评分的示例:
上图为Fazekas白质病变评分MR示意图,取自阿尔茨海默病MR检查规范中国专家共识。图20-22(依次为轴面、冠状面、矢状面)为0分,图23-25(依次为轴面、冠状面、矢状面)为1分,图26-28(依次为轴面、冠状面、矢状面)为2分,图29-31(依次为轴面、冠状面、矢状面)为3分。
STandards for ReportIng Vascular changes on nEuroimaging (STRIVE)
wmh也可以发生在皮层下灰质结构,如基底神经节。脑干也可出现高强度。一些研究者在pWMH和dWMH之间存在差异,并认为它们有不同的发病机制、危险因素和临床后果。许多研究者在他们的分析中包括了全白质高强度。
Definitions(部分区域高信号争议)
灰质高信号或脑干高信号
是否应按常规归类为白质高信号有不同的意见,就像之前的一些研究那样。
比较一致的意见是,在皮层下灰质
或脑干病变不应包括在假定血管起源的范畴
。
白质高密度除非显式声明;我们认可皮层下高强度是一个可接受的替代术语,用于任何非皮层高强度,包括白质、深灰质和脑干。当使用CT时,由于病变在CT上的表现,可以使用白质低衰减或白质低密度。
WMH Segmentation Challenge
比赛官网:https://wmh.isi.uu.nl/
Data
数据初览
- 不同的机器类型 : 西门子,通用,飞利浦
- 不同的场强 : 1.5T,3T
MRI参数
所有三维序列均取矢状位
方向,所有二维多层序列取横断面
方向。
-
UMC Utrecht, 3 T Philips Achieva:
- 3D T1-weighted sequence (192 slices, voxel size: 1:00 1:00 1:00 mm3, repetition time (TR)/echo time (TE): 7:9=4:5 ms),
- 2D FLAIR sequence (48 slices, voxel size: 0:96 0:95 3:00 mm3, TR/TE/inversion time (TI): 11; 000=125=2; 800 ms)
-
NUHS Singapore, 3 T Siemens TrioTim:
- 3D T1-weighted sequence (voxel size: 1:00 1:00 1:00 mm3, TR/TE/TI: 2; 300=1:9=900 ms),
- 2D FLAIR sequence (voxel size: 1:00 1:00 3:00 mm3, TR/TE/TI: 9; 000=82=2; 500 ms)
-
VU Amsterdam, 3 T GE Signa HDxt:
- 3D T1-weighted sequence (176 slices, voxel size: 0:940:941:00 mm3, TR/TE: 7:8=3:0 ms),
- 3D FLAIR sequence (132 slices, voxel size: 0:98 0:98 1:20 mm3, TR/TE/TI: 8; 000=126=2; 340 ms)
-
VU Amsterdam, 1.5 T GE Signa HDxt:
- 3D T1-weighted sequence (172 slices, voxel size: 0:98 0:98 1:50 mm3, TR/TE: 12:3=5:2 ms),
- 3D FLAIR sequence(128 slices, voxel size: 1:21 1:21 1:30 mm3, TR/TE/TI:6; 500=117=1; 987 ms)
-
VU Amsterdam, 3 T Philips Ingenuity (PET/MR):
- 3D T1-weighted sequence (180 slices, voxel size: 0:87 0:87 1:00 mm3, TR/TE: 9:9=4:6 ms),
- 3D FLAIR sequence(321 slices, voxel size: 1:04 1:04 0:56 mm3, TR/TE/TI:4; 800=279=1; 650 ms)
⚠️:训练集中场强只有3T的,而test集中,场强不仅有3T的还有1.5T的。有三个数据类型为3D FLAIR,官方对3D FLAIR做了如下操作:所有的3D FLAIR序列均以3mm厚的切片重定向横向2D。这样做有两个原因:
- 减轻手动标注时间
- 使3D FLAIR向2D FLAIR保持一致。
train and test
- 60 for training
- 110 for testing
官方的数据前处理
- bias-corrected——SPM12
- image registration——elastix toolbox
- 3D T1-weighted images were aligned with the (resampled) FLAIR images
- faces of the subjects were manually removed
第4步的意义咩有搞懂,感觉没必要。
第一名处理方案
数据预处理
- 裁剪和padding,使所有的数据的尺寸一致(200x200)
- 对前景区域(3D)进行Gaussian normalization(均值方差归一化)
- 数据增强(旋转,仿射,尺寸)
- brain mask获取(文章描述的方法-使用形态学方法太复杂,有更简单的方法可以实现去脑壳)
注意⚠️:实验证明,去掉脑壳之后再训练模型,会有效果的提升。
2D 的网络结构
输入
Flair 和T1分别作为网络输入的两个channel。网络如下图,没啥可说的。
模型融合(结果融合)
Dice loss
这里有更好的选择。
后处理
- 之前 对数据 crop和pad了,就要返还回去
- 手动确定了上下假阳性的位置,此位置的预测结果给抹掉(方法有点low)。
结果还是很不错的
泛化性也不错。
[1] : Kuijf, H. J., et al. “Standardized Assessment of Automatic Segmentation of White Matter Hyperintensities; Results of the WMH Segmentation Challenge.” IEEE transactions on medical imaging (2019).
[2] : https://zhidao.baidu.com/question/1445866408559298460.html
[3] : Fazekas F, Chawluk JB, Alavi A, et al. MR signal abnormalities at 1.5 T in Alzheimer’s dementia and normal aging [J]. Am J Neuroradiol, 1987, 8: 421-426.