【论文阅读】Automated quantification of white matter lesion in magnetic resonance imaging

• 2013年的一篇论文。
• 无监督白质高信号分割。
• 数据是脑梗数据（白质高信号一般较严重）。
• 第一作者是香港中文大学林石，博脑创始人。
• 该方法在验证集脑梗数据上，dice 0.836。

前言

自动分割wmh的方法：

无监督方法

WML在T2W或FLAIR中表现为高信号，启发了基于图像强度信息的WML检测方法，利用高斯函数逼近直方图的强度阈值进行WML分割。

卡阈值 (Hirono et al., 2000; Jack et al., 2001; Wen and Sachdev,
2004; de Boer et al., 2009). de Boer et al. (2009)

Wen和Sachdev(2004) 使用阈值法确定FLAIR数据中的高强度区域，并使用白质概率图对受试者图像进行映射，将WML与颅内其他区域的高强度体素分离。
除了基于阈值的方法外，还有一种基于模糊聚类的方法可以自动识别脑归一化过程中的灰质和白质病变(Seghier et al.， 2008;Wilke et al.， 2011)。
自动检测方法对强度不均匀性和图像质量的敏感性，以及大脑对齐图像中存在的WML是自动检测方法实现高精度的常见困难(Crinion et al.， 2007;Andersen等，2010;Ripolles等人，2012)。

监督方法

基于训练的方法，如k近邻、人工神经网络、支持向量机等，已被研究用于从正常脑组织中分类。
这些方法通常需要有经验的放射科医师从训练数据集中手动标记白质病变，而分类的准确性依赖于标记的训练数据集的空间和强度信息。
由于不同MRI扫描仪获得的数据集可能具有不同的强度分布和不同的空间特征，基于训练的方法得到的结果可能不太一致。

不代表本博观点。

WML的位置可能与某些疾病有关，因此确定WML在白质各部分的位置是值得的(Benson et al.， 2002)。Wu等(2006)提出使用非刚性方法从模板和受试者data配准蒙面脑，并将预定义的WM标签映射到subject脑。
然而，通过直方图分析将WML从全脑FLAIR图像中分割出来，容易被误包含灰质(GM)中出现亮的体素(voxels)。Admiraal-Behloul等人(2005)将fuzzy C-means算法应用于PD、T2W、FLAIR序列上，首先得到粗分割结果WML，然后通过fuzzy inference system得到最终的WML。
Yang等(2010)以occurrence probability为特征来检测WMLs，并应用随机场模型来确定检测到的病变的显著性。然而，这两种方法都可能产生假阳性结果，并且需要额外的用户偏好信息或集群大小分析。

由于WMLs的形状、位置和强度各不相同，如何在MRI中对WML进行可靠、准确和自动的分割仍然是一个具有挑战性的问题。
在本文中，我们介绍了一种快速、鲁棒、全自动的计算管道，从t1加权(T1W)、FLAIR和弥散加权成像(DWI)序列的组合信息来量化WMLs。
建议在WM范围内检测WML。

• 监督方法（除深度学习）需要提取特征，特征的选择需要专业性。
• 不同机器不同参数像素强度分布不同，提取的特征之间可能会有差异。
• 如何选择特征，是个难题。
• 建议在WM中来分wml。

Data

本研究招募了91例急性梗死患者（男65例，女26例，年龄64.43±10.54岁）。

• 73 subjects
  • 3.0 T GE MRI scanner and an 8-channel head coil
  • T1W sequence (TR = 2000 ms; TE = 9.8 ms; matrix = 432×512×24; voxel = 0.43 mm×0.43 mm×6.5 mm),
  • FLAIR sequence (TR =8000 ms; TE = 94 ms; TI = 2200 ms; matrix = 224×
    256×24;voxel = 0.86 mm×0.86 mm×6.5 mm),
  • DWI sequence (TR =3000 ms; TE = 75 ms; matrix = 128×128×24; voxel = 1.8 mm×1.8 mm×6.5 mm).
• 18 subjects
  • 3.0 T Siemens MRI scanner and an 8-channel head coil
  • T1W sequence(TR = 2031.2 ms; TE = 19.5 ms; matrix = 512 ×512×23; voxel = 0.47 mm×0.47 mm×6.0 mm),
  • FLAIR sequence (TR =8002; TE = 123.5 ms; TI = 2500 ms; matrix = 512×512×23;voxel = 0.47 mm×0.47 mm ×6.0 mm), and
  • DWI sequence (TR =10000 ms; TE = 73.4 ms; matrix = 256×256×27; voxel = 0.94 mm× 0.94 mm×5.0 mm).

method

分割脑区和白质

一般分割白质的时候，使用的是T1模态，但是，白质高信号在T1上是低信号，但是信号略高于灰质。略低于白质，所有，如果直接 分白质的话，会把部分的白质高信号（靠近皮质附近）分成灰质，导致分割得到的白质区域里少了部分的白质高信号。

所以，此处使用了模态融合，T1与Flair进行像素强度上的融合。
T1先与Flair进行配准，
$$V_{fusion}=k\ast V_{registere{d}_{T}1W}+(1-k)\ast V_{Flair}$$

在融合图像上提取脑区mask，WM，GM，CSF。

数学形态学

图像上的展示：

方法还是非常新颖和有意思的。
形态学操作值得一试。
对特别小的白质高信号，估计没有办法进行分割，只能对大目标进行分割。

---