针对临床 MRI 中心室和白质高信号点的对抗深度学习
图像与视频处理
2026-02-20 v4
摘要
目的：多发性硬化 (MS) 诊断需要准确评估脑 MRI 上的白质高信号点 (WMH) 和室周围变化。当前方法将这些结构独立处理，难以区分正常与病理性高信号点，在各向异性临床数据上表现不佳。我们提出了一种深度学习框架，能够同时分割室和 WMH，同时区分正常的周围室高信号点和病理性 MS 病灶。方法：我们开发了一个 2D pix2pix 架构，在 300 名 MS 患者的 FLAIR 扫描和 MSSEG2016 基准数据集 (15 名患者) 上进行训练。通过使用 5 折交叉验证进行系统性消融研究，比较了五种架构变体，逐步集成对抗训练、注意力加权判别和自适应混合损失。评估指标包括 Dice 系数、Hausdorff 距离、精确率和召回率。结果：最终架构 (V5) 在所有类别上的平均 Dice 为 0.852±0.004，HD95 为 4.87±0.13mm。按类别划分的性能：室 (Dice 0.907±0.002，HD95 3.00±0.51mm)，异常 WMH (Dice 0.825±0.009，HD95 4.51±0.32mm)，正常 WMH (Dice 0.677±0.007)。V5 在本地数据上对室和 WMH 分割均优于所有基线方法。消融分析确认，对抗训练提供了最大的单项提升 (+0.109 Dice)。端到端处理仅需约 4 秒/例——比基线方法快达 36 倍。结论：该系统验证的框架结合了对抗训练、注意力加权判别和自适应损失调度，实现了更高的准确率、临床相关的病灶区分以及适用于常规临床工作流程的计算效率。
引用
@article{arxiv.2506.07123,
title = {Adversarial Deep Learning for Simultaneous Segmentation of Ventricular and White Matter Hyperintensities in Clinical MRI},
author = {Mahdi Bashiri Bawil and Mousa Shamsi and Abolhassan Shakeri Bavil},
journal= {arXiv preprint arXiv:2506.07123},
year = {2026}
}
备注
51 pages, 6 figures, 5 tables