【论文阅读】WMH Segmentation Challenge 2017 及第一名解决方案

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：

1. 减轻手动标注时间
2. 使3D FLAIR向2D FLAIR保持一致。

train and test

1. 60 for training
2. 110 for testing

官方的数据前处理

1. bias-corrected——SPM12
2. image registration——elastix toolbox
3. 3D T1-weighted images were aligned with the (resampled) FLAIR images
4. 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

1. 裁剪和padding，使所有的数据的尺寸一致（200x200）
2. 对前景区域（3D）进行Gaussian normalization（均值方差归一化）
3. 数据增强（旋转，仿射，尺寸）
4. 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

1. 之前 对数据 crop和pad了，就要返还回去
2. 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.