DeepWMH一种深度学习工具用于精确的白质高信号分割
液体衰减反转恢复 (FLAIR) 图像上的白质高信号 (WMH) 是各种神经系统疾病的成像特征，也是临床损伤和疾病进展的重要标志。 WMH与大脑衰老和人脑病理改变有关，如阿尔茨海默病、帕金森病、脑小血管病、多发性硬化症、视神经脊髓炎谱系疾病、神经元核内包涵体病等。这些 WMH 病变与行为和认知表现以及危险因素相关。对 WMH 病变进行高效且可重复的定量分析可以极大地有益于临床实践和科学研究，而自动化的 WMH 分割可以实现此类分析。因此，开发精确的自动化 WMH 分割算法是非常必要的。
最早的自动化 WMH 分割工作使用简单的强度阈值策略。更先进的方法分析 WMH 形态并使用回归模型或k最近邻进行分割。最近，卷积神经网络也被用于分割任务，并且一些工作尝试在没有任何带注释的训练数据的情况下应用深度学习方法。然而，上述方法要么在临床场景中不够有效，要么需要大量注释数据。因此，该团队开发了 DeepWMH，一种开源、无注释的 WMH 病变分割工具，旨在消除人工注释的需要，同时实现高分割精度。
DeepWMH 通过 18 种扫描协议获取的 9 个数据集的 2,203 次扫描进行了验证，并与最先进的无注释 WMH 分割方法进行了比较。 DeepWMH 大幅优于竞争方法。它利用了正常扫描和患者扫描之间的差异，并将其与深度学习的力量相结合，从而可以准确分割 WMH，而无需手动注释模型训练。它结合了正常脑组织的解剖知识来指示潜在的 WMH，并使用对标记噪声具有鲁棒性的训练策略将指示与深度学习相结合。 DeepWMH 是全自动的，不需要用户调整超参数。它的性能在不同的数据集上保持稳定，其中数据可能因不同的扫描仪型号、脑部疾病类型、切片厚度、病变位置和病变大小而变化。 DeepWMH 可在https://github.com/lchdl/DeepWMH 上公开获取。还提供了预训练的分割模型，以便可以轻松部署。 DeepWMH 可以轻松分发、安装并直接应用于临床应用和科学研究。它还可能激发其他类型脑损伤的无注释分割，其中可以通过正常出现的脑图像和空间标准化技术获得解剖知识。
版权声明：本文由用户上传，如有侵权请联系删除！