文章目錄
相關醫學常識
白質高信號
白質病變的特點是雙側,大多對稱高強度的t2加權MRI是常見的老年人。雖然與腦血管疾病和血管危險因素密切相關,但這些白質病變的發病機制尚不清楚,可能是多因素的。Presumed vascular origin的白質高信號(WMH)是腦小血管疾病(SVD)的主要表現之一,並且在中風,癡呆和衰老中是很重要的特徵表現。白質高信號有時候被認爲是一種隨着衰老而產生的一種正常表現,因爲隨着年齡的增強,每個人都會或多或少的出現白質高信號。在MRI Flair相上,wmh跟其他腦組織相比明顯表現爲高信號[1],如下圖所示:
由上圖可以看到,wmh在T1上的白質區域內爲一個低信號,而在Flair上爲明顯的高信號。
Fazekas量表
目前臨牀應用廣泛的有 ARWMC、Fazekas、改良 Scheltens、Ylikoski等4個腦白質病變評分量表的信度進行研究。
可認爲 4個量表中 Fazekas量表最簡單、易操作。而Fazekas量表只有兩個項目,且每個項目的評閱方法簡單,佔用時間少。
Fazekas量表[3] (0~6分),將腦室旁和深部白質病變分開評分。兩部分的分數相加計算總分。[2]
腦室旁高信號評分:
①0分:無病變;
②1分:帽狀或者鉛筆樣薄層病變;
③2分:病變呈光滑的暈圈;
④3分:不規則的腦室旁高信號,延伸到深部白質。
深部白質信號:
①0分:無病變;
②1分:點狀病變;
③2 分:病變開始融合;
④3 分:病變大面積融合。
一個根據Fazekas量表評分的示例:
上圖爲Fazekas白質病變評分MR示意圖,取自阿爾茨海默病MR檢查規範中國專家共識。圖20-22(依次爲軸面、冠狀面、矢狀面)爲0分,圖23-25(依次爲軸面、冠狀面、矢狀面)爲1分,圖26-28(依次爲軸面、冠狀面、矢狀面)爲2分,圖29-31(依次爲軸面、冠狀面、矢狀面)爲3分。
STandards for ReportIng Vascular changes on nEuroimaging (STRIVE)
wmh也可以發生在皮層下灰質結構,如基底神經節。腦幹也可出現高強度。一些研究者在pWMH和dWMH之間存在差異,並認爲它們有不同的發病機制、危險因素和臨牀後果。許多研究者在他們的分析中包括了全白質高強度。
Definitions(部分區域高信號爭議)
灰質高信號或腦幹高信號
是否應按常規歸類爲白質高信號有不同的意見,就像之前的一些研究那樣。
比較一致的意見是,在皮層下灰質
或腦幹病變不應包括在假定血管起源的範疇
。
白質高密度除非顯式聲明;我們認可皮層下高強度是一個可接受的替代術語,用於任何非皮層高強度,包括白質、深灰質和腦幹。當使用CT時,由於病變在CT上的表現,可以使用白質低衰減或白質低密度。
WMH Segmentation Challenge
比賽官網:https://wmh.isi.uu.nl/
Data
數據初覽
- 不同的機器類型 : 西門子,通用,飛利浦
- 不同的場強 : 1.5T,3T
MRI參數
所有三維序列均取矢狀位
方向,所有二維多層序列取橫斷面
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)
⚠️:訓練集中場強只有3T的,而test集中,場強不僅有3T的還有1.5T的。有三個數據類型爲3D FLAIR,官方對3D FLAIR做了如下操作:所有的3D FLAIR序列均以3mm厚的切片重定向橫向2D。這樣做有兩個原因:
- 減輕手動標註時間
- 使3D FLAIR向2D FLAIR保持一致。
train and test
- 60 for training
- 110 for testing
官方的數據前處理
- 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步的意義咩有搞懂,感覺沒必要。
第一名處理方案
數據預處理
- 裁剪和padding,使所有的數據的尺寸一致(200x200)
- 對前景區域(3D)進行Gaussian normalization(均值方差歸一化)
- 數據增強(旋轉,仿射,尺寸)
- brain mask獲取(文章描述的方法-使用形態學方法太複雜,有更簡單的方法可以實現去腦殼)
注意⚠️:實驗證明,去掉腦殼之後再訓練模型,會有效果的提升。
2D 的網絡結構
輸入
Flair 和T1分別作爲網絡輸入的兩個channel。網絡如下圖,沒啥可說的。
模型融合(結果融合)
Dice loss
這裏有更好的選擇。
後處理
- 之前 對數據 crop和pad了,就要返還回去
- 手動確定了上下假陽性的位置,此位置的預測結果給抹掉(方法有點low)。
結果還是很不錯的
泛化性也不錯。
[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.