文献速递神经外周血管MR

基于深度学习的亮血与黑血序列磁共振血管成像三维脑血管分割工作流

Deep learning-based 3D cerebrovascular segmentation workflow on bright and black blood sequences magnetic resonance angiography.
PubMed 文献 · Insights Imaging · 2024-03-22

研究构建了整合CNN与Transformer的全自动深度学习三维脑血管分割工作流,在45例1.5T TOF-MRA公共数据集和107例3.0T 3D T1 VISTA黑血序列数据集上验证。SwinUNETR在CSD测试集取得最佳DSC 0.853、PRE 0.848、SEN 0.860、SPE 0.9996,在MLD测试集LSA分割的DSC、ASD、PRE、SPE均最佳;V-Net在CSD测试集取得最佳ASD 0.99。

要点

  • SwinUNETR在CSD测试集DSC 0.853、PRE 0.848、SEN 0.860、SPE 0.9996,均优于其他对比模型。
  • MLD测试集上SwinUNETR对LSA分割的DSC、ASD、PRE、SPE均最佳,MCA分割未达最佳。
  • V-Net在CSD测试集ASD最佳(0.99),提示传统CNN在边缘捕捉上仍有优势。

核心结论

  • 该深度学习三维脑血管分割工作流在不同MRI序列、不同管径血管上表现良好,SwinUNETR在多数指标上最佳,可用于可视化脑血管结构并监测豆纹动脉等小血管。

研究设计与样本

  • 方法学研究:使用45卷1.5T TOF-MRA公共数据集CSD和本院107例3.0T 3D T1 VISTA黑血序列MLD数据集(年龄62±11岁,42例女性),比较U-Net、V-Net、UNETR、SwinUNETR四种三维分割模型。

关键影像表现/征象

  • SwinUNETR在CSD测试集DSC 0.853、PRE 0.848、SEN 0.860、SPE 0.9996,均为四模型最佳。
  • V-Net在CSD测试集ASD最佳(0.99),提示其捕捉血管边缘信息能力较强。
  • MLD测试集上SwinUNETR对LSA分割的DSC、ASD、PRE、SPE均最佳,但MCA分割未取得最佳结果。
  • 可视化显示SwinUNETR更准确识别血管区域,遗漏(蓝色)与误分类(绿色)面积明显更小。

诊断标准与关键数值

  • 评价指标为DSC、ASD、PRE、SEN、SPE;DSC越接近1表示与参考标准重叠度越高,ASD越小表示越接近血管边界。
  • CSD测试集SwinUNETR:DSC 0.853、PRE 0.848、SEN 0.860、SPE 0.9996;V-Net ASD 0.99为最佳。
  • 统计检验显示各模型除DSCM(p=0.225)、PREM(p=0.325)、SPEM(p=0.063)外其余指标差异有统计学意义(p<0.05)。
  • 四折交叉验证中SwinUNETR每一折DSC均最高。

临床应用与阅片要点

  • 作者认为该工作流可用于不同MR序列(亮血与黑血成像)的脑血管分割与三维可视化。
  • 作者指出该工作流可帮助医生观察脑血管结构,并监测豆纹动脉等脑小血管。
  • 作者提到分割结果可辅助放射科医生解读,并支持自动化图像分析流程。

局限性

  • 原文指出既往深度学习脑血管分割研究多聚焦于提高精度或特定数据序列,忽视模型在不同数据集和不同管径血管上的表现。
  • 原文指出部分模型在MLD测试集MCA分割上未取得最佳结果,SwinUNETR虽在LSA分割最佳但MCA分割并非最优。
全文中译16 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2024 Mar 22;15:81. doi: 10.1186/s13244-024-01657-0

引言

包括脑静脉血栓形成[1]在内的脑血管疾病的发病率逐年上升,超出了发病率的预期。多项研究[2, 3]表明,高血压和高血糖等危险因素是包括脑卒中在内的脑血管疾病的关键因素。由于生活方式的改变,患者被诊断出这些疾病的年龄越来越年轻,这凸显了对这些疾病进行早期筛查和预防的必要性。

磁共振血管成像(MRA)[4]是MRI的一种特定应用,可使血流以及正常和病变血管得以可视化。MRA具有显著的无创性,使其成为首选的脑血管疾病早期筛查方法。时间飞跃法MRA(TOF-MRA)[5]无需对比剂即可实现血管形态的可视化。此外,黑血成像技术[6],如三维各向同性 turbo 自旋回波采集T1加权序列(3D T1 VISTA),具有高信噪比、高对比度和各向异性分辨率,能够更精确地对小血管进行成像,如豆纹动脉(LSA)[7]。

直接解读图像仍然需要医学专业人员具备高水平技能。更现代的方法涉及对脑血管的三维结构进行分割和重建。三维重建补充了放射科医生的解读,而分割使得自动化图像分析流程得以使用。这使医生能够直接观察病变和血管状况,并具有众多临床应用,如识别血流行为、检测肿瘤[8]、辅助神经外科导航[9]以及设计和实施脑血管支架[10]。血管疾病,特别是大脑中动脉(MCA)和LSA的血管疾病,在痴呆中发挥重要作用,是阿尔茨海默病的主要原因[11]。这些疾病可极大地导致认知功能下降和痴呆,尤其是在60岁以上的患者中。MCA为负责运动、感觉和语言功能的脑区供血,而LSA为基底节供血,基底节对运动学习和认知功能至关重要[12]。这些动脉的阻塞可导致不可逆的损伤并显著影响生活质量。因此,精确分割MCA和LSA是有效管理脑卒中和小血管疾病[13]以及改善患者神经功能预后的关键。

在过去的几十年中,众多专家提出了脑血管分割的经典方法,包括基于阈值的方法[14]、基于活动轮廓模型的方法[15]和基于统计模型的方法[16]。虽然这些传统技术可以产生良好的脑血管分割结果,但它们严重依赖图像中的纹理特征,有时甚至需要手动且精细的特征提取。此外,随着多模态医学图像日益丰富,这些传统方法在图像处理任务中的竞争力已下降。

由于深度学习技术的快速发展,尤其是在计算机视觉领域,已经提出了多种基于深度学习的脑血管分割方法。Phellan等人[17]率先将深度卷积神经网络用于脑血管分割任务。Shelhamer等人[18]引入了一种全连接网络,为端到端图像分割铺平了道路。在医学领域,Ronneberger等人提出了U-Net[19]。此后,由于其对称的轻量级编码器-解码器结构,U-Net已成为端到端医学图像分割任务的关键骨干网络。随后,若干研究者[20, 21]对U-Net的设计进行了改进,以实现更优的脑血管分割。此外,Transformer[22]是一种基于自注意力机制的深度学习模型,最初在机器翻译和语言建模等自然语言处理任务中得到了广泛应用。由于其强大的建模能力,包括视觉Transformer(ViT)在内的Transformer机制在计算机视觉领域也取得了显著成功[23]。因此,基于Transformer的脑血管分割模型[24, 25]相继出现。尽管这些模型已被证明对TOF-MRA有效,但从未在3D T1 VISTA序列上进行验证。这些方法主要集中于全脑血管分割,而非更小的特定血管段,例如豆纹动脉。

在本研究中,我们旨在创建一个全自动深度学习工作流程,实现脑血管的准确3D分割。这是通过结合经典CNN和Transformer模型,并实施标准的数据分析、预处理、增强、建模和后处理技术来实现的。最终,我们旨在自适应重建多序列MR脑图像中的血管结构。

材料与方法

机构审查委员会批准了本研究(批准号2021110623007),研究按照《赫尔辛基宣言》进行。研究人员向受试者明确说明了实验程序。获得了他们自愿参与项目的同意,并收集了签署的知情同意书。

数据集

脑血管分割数据集(CSD)

Chen等人[26]整理了一个脑血管分割数据集,可在xzbai.buaa.edu.cn/datasets.html获取。该数据集包含来自IXI数据集[27]的45个体素TOF-MRA数据,通过1.5 T GE MRI获得。为获得准确的地面真实标注,多名放射科医生(每人具有超过3年临床经验)用体素对每个体积进行了细致标注。所有体积大小均为1024 × 1024 × 92,空间分辨率为0.264 mm × 0.264 mm × 0.8 mm。

MCA M1段伴LSA数据集(MLD)

我们收集了2014年至2018年间在我院就诊的107例患者的数据,包括门诊和住院患者。所有3D T1 VISTA图像大小均为480 × 480 × 140,空间分辨率为0.4 mm × 0.4 mm × 0.4 mm。图像数据的体素级标注由一名具有三年以上经验的放射科医生使用ITK-SNAP完成。此外,标注的MCA和LSA由另一名具有十年以上经验的放射科医生进行了全面审查。处理数据的医生不知晓患者的临床状态,以避免偏倚。

表1显示了不同数据集的详细信息。N/A表示未提供;请注意,在CSD中有16名个体未提供性别信息。

表1 不同数据集的详细信息。N/A表示未提供;请注意,在CSD中有16名个体未提供性别信息 查看原表 ↗

基于深度学习的分割工作流程

该工作流程包括五个连续步骤:数据集分析、数据预处理、模型训练、模型验证以及后处理与分析。整体流程图如图1所示。

图1 基于三维深度学习的脑血管分割工作流程 查看原图 ↗

数据集分析

首先,我们全面分析了数据集,重点评估其总体规模以及关键变量的分布。该分析包括检查人口学分布(如年龄和性别)、临床特征(如疾病类型和分期、扫描设备或协议)以及图像特征多样性(如大小、形状、对比度和强度分布)。进行该分析旨在评估数据集的代表性、检测偏倚或不平衡,并确认研究结果对目标人群或疾病状态的稳健性和相关性。随后,我们评估图像清晰度、噪声水平以及伪影的存在等因素。这涉及根据预定义标准对图像进行评估:对于高图像清晰度,图像必须表现出锐利、边界清晰的结构;对于低噪声水平,图像必须表现出最小的随机变化或“颗粒感”;最后,任何可能干扰准确判读的失真或异常均被定义为伪影。未能达到这些标准的图像,例如噪声过大或存在显著伪影(如运动模糊或重影)的图像,将被排除在分析之外,以维护数据集的完整性和可靠性。此外,我们验证标签的准确性和一致性,以确保感兴趣的脑血管结构被正确标注。从这些角度评估数据集可提供关于数据集特征、质量和可行性的全面见解。该过程旨在产生关于数据集的详细统计信息,指导实验人员在脑血管分割的关键方面进行决策。具体而言,这些信息可用于分析血管大小、形状和分支模式的可变性,这些对于准确分割至关重要。实验人员应考虑数据集中任何病变的分布,例如狭窄或动脉瘤区域,因为这些特征可能需要专门的分割方法。统计数据还有助于评估患者群体的异质性,确保分割方法在不同患者中具有稳健性。这种全面的分析对于完善和验证分割方法至关重要,可产生更可靠且具有临床适用性的结果。

数据预处理与增强

预处理阶段包括几个关键步骤:去噪、平滑、重采样和对比度增强。去噪技术(如中值滤波)用于降低图像噪声,减少分割过程中低质量图像的干扰,并提高算法性能。平滑操作(如高斯平滑)消除图像中的不连续边缘,产生更连续、更易识别的血管结构。重采样确保各图像具有标准化的空间分辨率,减少因采样设备差异引起的泛化误差,并为模型学习和推理提供一致的尺寸和分辨率。对比度增强技术(如直方图均衡化或自适应直方图均衡化)提高图像中血管结构的可见性。具体而言,我们使用均值滤波(核大小:3 × 3)、高斯平滑(标准差:1,核大小:3 × 3)、强度归一化(Z-score)和自适应直方图均衡化(块大小:8 × 8,裁剪限值:0.1)进行预处理。此外,由于同一数据集中的图像具有相同分辨率(MLD:0.264 mm × 0.264 mm × 0.8 mm,CSD:0.4 mm × 0.4 mm × 0.4 mm),因此未执行重采样操作。

工作流程中的另一个关键步骤是数据增强。通过应用各种几何变换来扩展数据集。这些技术包括图像旋转、翻转和强度变化,增加了数据的多样性和鲁棒性。在我们的实验中,我们通过翻转和旋转图像并将其强度调整为原始图像的0.9–1.1倍来增强数据。在训练过程中,这些变换以每张图像0.1的概率引入。

模型训练

我们在这一阶段实施了四折交叉验证。具体而言,我们以8:2的比例将数据划分为训练集和测试集。训练集被分为四个等大的子集,其中三个子集用作训练数据,一个用作验证数据,用于模型训练和验证。该过程重复四次,每次迭代采用不同的子集作为验证数据,以覆盖整个训练集。通过使用交叉验证,我们可以有效地利用有限的数据集进行训练和验证,降低模型对特定数据分布过拟合的风险。具体而言,CSD包含45个体积;36个用于交叉验证(27个用于训练集,9个用于验证集),9个用于测试。MLD包含107个体积;85个用于交叉验证(64个用于训练集,21个用于验证集),22个用于测试。在这一阶段,我们选择了四种网络模型进行比较训练:U-Net [28]、V-Net [29]、UNETR [30]和SwinUNETR [31]。U-Net是一种经典的卷积神经网络,通过其编码器-解码器结构和跳跃连接提高分割精度。V-Net利用残差网络和多尺度残差模块来捕获精细细节和上下文信息。UNETR是一种基于Transformer的模型,利用自注意力机制有效地建模像素关系。SwinUNETR结合了Swin Transformer [32]和UNETR,其中Swin Transformer是基于局部感知窗口的Transformer机制的一种变体。所使用的所有模型均为三维分割模型。在训练过程中,在预处理过程中,从三维数据的整个体积中裁剪出192 × 192 × 64大小的图像块作为模型的输入。

由于脑血管在图像中所占比例较小,前景和背景像素显著不平衡。我们使用dice损失和focal损失[33]的加权组合变体来解决这种不平衡并增强脑血管分割。dice损失有效地处理前景-背景像素不平衡,而focal损失通过调整样本权重聚焦于难以分类的像素。通过修改dice损失和focal损失的权重并使用加权求和将它们组合形成最终损失函数,我们平衡了它们对分割结果的贡献,从而提高脑血管分割的准确性和鲁棒性。

我们使用配备6块RTX 3090 GPU、2块Intel(R) Xeon(R) Silver 4310 CPU和256 GB内存的工作站进行模型训练和测试。训练过程采用AdamW优化器,初始学习率为0.0001,训练400个epoch,批大小为1。为加速模型收敛并减少训练时间,我们还实施了预热策略。

模型验证

我们在每个交叉验证折的每五轮之后使用验证集评估模型。使用大小为192×192×64的滑动窗口对整个图像进行预测,并计算骰子相似系数(DSC)作为内部性能指标。然后,我们根据模型在验证集上的表现调整模型的超参数,如学习率、网络结构或正则化参数。我们测试了不同的超参数组合,并选择了在验证集上表现最好的模型,即DSC最高的模型。

我们使用CSD和MLD数据集全面比较了U-Net、VNet、UNETR和SwinUNETR模型,并基于多项指标评估了它们的性能:DSC、平均表面距离(ASD)、精确率(PRE)、灵敏度(SEN)和特异度(SPE)。

后处理与分析

进行后处理以提高图像分割结果的准确性和质量。我们对验证集和测试集中的每张图像采用了边缘平滑、区域合并、分裂和滤波等操作。这些操作填补空洞、连接不连续的边缘、将小的相邻区域合并为更完整的区域、提高分割的一致性和连通性,并消除分割结果中的伪影、孤立点或错误标记。具体而言,我们首先对整个图像进行均值滤波,然后去除小于50像素的区域,并拼接彼此距离不超过10像素的相邻区域。最后,我们通过在测试集上计算各种评价指标并与医师手动分割的标准进行比较,对分割结果进行定量和定性评估。分割结果以三维方式可视化,从而可以观察分割结果的可行性和准确性。

统计分析

首先,我们计算了每个模型的性能指标,并对四种模型在两个测试集上的DSC、ASD、PRE、SEN和SPE进行了Shapiro–Wilk检验。如果p值大于0.05,则数据呈正态分布;如果p值小于或等于0.05,我们检查分位数–分位数图;如果数据分布在一条直线附近,我们假定数据呈正态分布。否则,假定数据不服从正态分布。然后我们使用单因素方差分析比较不同模型的性能。我们计算了F统计量和相应的p值。p值小于0.05被认为表明模型之间的性能差异具有统计学意义。所有分析均使用IBM SPSS统计软件(版本27)进行。

结果

模型性能

表2列出了CSD和MLD验证集的平均DSC指标。四种模型在各折验证中DSC指标的变化不显著,表明数据分布对分割工作流程的影响不大。

图2显示,SwinUNETR在各折验证中均取得了最高的DSC,突显了Transformer结构在脑血管分割任务中的显著潜力。

我们将结果记录在表3和表4中,以说明这些模型在两个测试集上的定量分析。在CSD测试集上,SwinUNETR在DSC、PRE、SEN和SPE指标上优于其他模型,而V-Net在ASD指标上表现最佳。在MLD测试集上,SwinUNETR展现出分割不同尺寸脑血管的出色能力,尽管未获得最佳的MCA分割结果。所提出的算法在LSA分割的DSC、ASD、PRE和SPE指标上仍然表现优异。这一发现表明SwinUNETR能够有效处理多样化的血管尺寸。当然,V-Net也表现强劲,表明传统CNN在该任务中仍具有优势。此外,通过统计检验,我们发现模型在测试集上的性能指标符合正态分布。除DSCM(p = 0.225)、PREM(p = 0.325)和SPEM(p = 0.063)外,模型在所有指标上的性能差异均具有统计学意义(p < 0.05)。

为进一步可视化这些模型在两个测试集上的性能指标,结果如图3所示以便更好地观察。这些结果表明V-Net取得了相对较低的ASD指数,表明其擅长捕捉脑血管图像的边缘信息。此外,UNETR和SwinUNETR在DSC方面表现良好,表明Transformer结构的注意力机制能有效捕捉上下文信息,并有助于在深度学习模型中恢复脑血管结构。

表2 CSD和MLD验证集上的平均DSC指标,四折交叉验证集中最佳模型以粗体标注 查看原表 ↗
图2 不同模型在两个四折交叉验证集上的平均DSC指标 查看原图 ↗
表3 四个最佳验证模型在CSD测试集上的评估结果;最佳指标以粗体标注 查看原表 ↗
表4 四个最佳验证模型在MLD测试集上的评估结果;最佳指标以粗体标注 查看原表 ↗
图3 四个最佳验证模型在测试集上评估结果的分布。第一行显示CSD的结果,第二行和第三行显示MLD的结果 查看原图 ↗

分割可视化

为便于直观比较各模型对脑血管的分割效果,我们从两个测试集中各随机选择了一名患者。图4可视化了 ground truth 和四个模型的分割结果,涵盖CSD中患者的完整脑血管以及MLD中另一名患者的MCA M1及LSA。值得注意的是,SwinUNETR更准确地识别了血管区域,遗漏区域(蓝色)和误分类区域(绿色)显著更小。

图4 ground truth 和四个模型分割结果的可视化。红色表示真阳性,绿色表示假阳性,蓝色表示假阴性。第一行显示CSD中的完整脑血管,第二行和第三行显示MLD中的大脑中动脉(MCA M1)和豆纹动脉(LSA) 查看原图 ↗

讨论

脑血管分割任务具有挑战性,原因在于医学图像中对比度低、存在噪声,加之血管结构复杂、数据不均匀以及标注困难。尽管许多文章已探索了深度学习在脑血管分割中的潜力,但它们往往集中于提高准确性或分割特定的数据序列[34],而忽视了模型在不同数据集和不同尺寸血管上的性能。因此,我们旨在开发一种能够处理多模态临床数据集的深度学习脑血管3D分割工作流程,产生准确的脑血管结构分割结果。由于该分割工作流程可以整合不同的CNN和transformer模型,对于不同的多模态序列数据集,该工作流程可以使用更具针对性的分割模型以获得更好的性能指标。我们提出的工作流程显著提升了脑血管分割准确性,SwinUNETR在4折交叉验证中表现出优越性能,实现了高DSC、精确率、敏感度和特异度。其在CSD和MLD测试集上的出色结果凸显了该工作流程的实用价值。这种集成方法为脑血管分割任务提供了稳健且可靠的解决方案。

本研究特别关注验证分割工作流程在多样临床数据集上的能力。我们使用一个公开的TOF-MRA数据集来实现这一目标,并构建了一个脑血管图像的黑血序列数据集。此外,我们是首批在MRI上分割黑血序列的研究者之一。通过对两个数据集的全面实验评估,我们深入探究了该工作流程在不同场景下的性能和泛化能力。

我们对多种模型进行了比较分析,观察到基于深度学习的3D脑血管分割工作流取得了良好结果。过程中使用了以下指标:DSC衡量分割结果与参考标准之间的重叠程度,取值范围为0到1;值越接近1表明分割结果与参考标准越相似。ASD计算分割结果与参考标准之间的平均距离,评估结果与实际血管边界的接近程度。ASD值越小表明越接近血管边界。此外,PRE表示分割结果中正确分类的正样本与分类为阳性的总样本数之比。精确率越高意味着模型在分割结果中准确识别出更多血管结构。SEN衡量参考标准中正确分类的正样本与阳性样本总数之比。召回率越高表明有效捕获血管结构的能力越强。最后,SPE评估正确分类的负样本与参考标准中阴性样本总数之比。高特异度值表明模型能够准确排除非血管区域。结果表明,各模型根据所用指标达到了不同水平的性能。值得注意的是,V-Net在ASD指标上表现优异,表明其捕获血管边缘结构信息的能力较强。相比之下,SwinUNETR在DSC指标上表现出较强性能。这些结果凸显了各模型的独特优势和适用场景,强调了根据具体情况的具体需求选择合适模型的重要性。此外,我们的工作流可以无缝集成多种深度学习模型,以应对复杂且动态的临床场景。

在工作流评估过程中,我们观察到深度学习模型对较小血管结构的分割能力相对较弱。虽然CNN和Transformer模型在捕获脑血管的空间关系和细微特征方面表现出色,从而提高了这些模型的分割准确性和细节保留能力,但其性能随着血管结构数量的减少而下降。例如,深度学习模型对MCA M1段分割的DSC指标接近0.8。然而,在更精细的LSA分割上,DSC降至0.6以下。这一现象表明现有深度学习模型对精细结构的分割能力仍有待提高。

此外,我们将我们的结果与其他研究的结果进行了比较。Wu等人[24]提出了一种弱监督脑血管分割网络,在来自MIDAS数据平台的公开TOF-MRA数据集上达到了0.831的DSC。Chen等人[25]展示了基于TOF-MRA的半监督脑血管分割的生成一致性;其模型的最佳DSC为0.788。Chen等人[26]生成了公开可用的CSD数据集,并提出了一种名为A-SegAN的3D对抗网络模型;该模型在TOF-MRA体积中的脑血管分割中达到了0.864的DSC。我们的方法主要与这些方法的不同之处在于,我们的方法已在TOF-MRA上进行了验证,并结合了3D T1 VISTA序列;此外,我们的方法同时考虑了整个脑血管系统和较小特定血管段(如豆纹动脉)的分割。在CSD测试集上,我们的方法获得了0.853的DSC值,略低于A-SegAN[26]的0.864。这可能是因为他们仅使用了5个数据点作为测试集,而我们使用了9个。在MLD测试集上,大脑中动脉(MCA)的DSC为0.766,豆纹动脉(LSA)的DSC为0.562(超过了Ma等人使用HighRes3DNet[35]所达到的0.34,因为我们的方法使用了更先进的Transformer结构)。

这些发现揭示了未来研究的有前景的途径和挑战。首先,提升工作流程性能需要改进网络架构。尽管传统网络架构已显示出成功,但它们仍有尚未挖掘的潜力。未来研究可以探索新颖的模型架构或整合多种模型以改善细粒度结构的分割。例如,引入注意力机制、增加网络深度和宽度、采用非常规卷积核以及引入生成对抗网络机制[36]均可以改进网络架构。其次,必须扩展数据集。由于保密性和医学数据获取的困难,公开可用的脑血管数据集有限。为解决这一问题,未来研究可以侧重于通过促进多中心合作、数据共享和数据合成来构建更大的公开可用脑血管数据集。最后,评估指标和流程必须标准化。这种标准化将有助于比较和基准测试各种方法。

局限性

本研究存在若干局限性,应予说明。首先,本研究使用的数据集在规模和多样性上可能存在局限。尽管我们尝试利用公开可用的数据集,但这些数据集可能仅部分代表了真实临床场景和图像质量中所见的巨大变异性。其次,虽然我们采用了标准评估指标,但这些指标可能无法完全涵盖分割性能的所有方面。额外的指标或标准(例如,对分割质量进行手动评分)可提供更全面的评估。由于成本和效率问题,我们未纳入这些指标,更全面的评估可在后续研究中开展。第三,本研究主要聚焦于MRI数据,并探讨模型在不同MRI序列上的性能。然而,其他成像模态(例如,CTA)的性能仍有待探索。第四,本研究比较了特定模型(U-Net、V-Net、UNETR和SwinUNETR)。虽然这些模型表现良好,但其他最先进的模型可能值得研究,以潜在地改进所提出的模型。最后,尽管模型表现出良好的分割结果,但通过专家放射科医师评估或与真实手动分割结果直接比较进行的临床验证,可为模型的可靠性和准确性提供更多见解。

结论

总之,我们是首批对黑血序列MRI脑血管图像进行分割并探索深度学习用于最小脑血管分割可行性的研究者。我们提出的深度学习脑血管3D分割工作流程在CSD上实现了全脑血管分割。此外,我们在MLD上比较了MCA和LSA分割,并研究了四种深度学习模型在亮血和黑血MRA序列上的性能及其分割不同大小脑血管的能力。结果表明,结合CNN和Transformer模型的集成工作流程展现出卓越的性能和能力,为医生提供了可视化血管结构的强大工具。该工作流程有助于增强脑血管分割的性能和适用性,并促进深度学习在脑血管分割领域的应用和发展。

引用

  1. Zhou L, Wu H, Luo G, et al. Deep learning-based 3D cerebrovascular segmentation workflow on bright and black blood sequences magnetic resonance angiography. Insights Imaging. 2024. PMID: 38517610. doi:10.1186/s13244-024-01657-0
  2. 全文:PMC10959883(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10959883/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。