基于U-net和Transformer分割的7特斯拉MRI多发性硬化症病变自动检测
摘要
超高场7特斯拉（7T）MRI改善了多发性硬化症（MS）白质病变（WML）的可视化，但其对比度和伪影与1.5-3T成像存在足够差异——表明广泛使用的自动分割工具可能无法直接迁移。我们分析了7T FLAIR扫描，并从病变分割工具（LST）输出生成参考WML掩膜，随后由专家进行人工修订。作为外部比较器，我们应用了最初在低场数据上开发的LST-LPA和较新的LST-AI集成方法。随后，我们在多个分辨率（0.5×0.5×0.5³、1.0×1.0×1.0³和1.5×1.5×2.0³）下使用7T FLAIR训练了3D UNETR和SegFormer Transformer模型，并使用BraTS 2023框架的体素级和病变级指标评估了所有方法。在原生0.5×0.5×0.5³分辨率的保留测试集上，7T训练的Transformer模型与LST-AI达到了具有竞争力的重叠，同时恢复了经典方法遗漏的额外小病变，代价是一些边界变异性和偶发的伪影相关假阳性。在保留的7T测试集上，我们最佳的Transformer模型（SegFormer）达到了体素级Dice为0.61和病变级Dice为0.20，优于经典LST-LPA工具（Dice 0.39，病变级Dice 0.02）。在降采样图像上训练的模型性能下降，强调了原生7T分辨率对小病变检测的价值。通过发布我们的7T训练模型，我们旨在为超高场MS研究中的自动病变量化提供一个可复现、即用即用的资源（https://github.com/maynord/7T-MS-lesion-segmentation）。
引用
@article{arxiv.2604.00469,
title = {Automated Detection of Multiple Sclerosis Lesions on 7-tesla MRI Using U-net and Transformer-based Segmentation},
author = {Michael Maynord and Minghui Liu and Cornelia Fermüller and Seongjin Choi and Yuxin Zeng and Shishir Dahal and Daniel M. Harrison},
journal= {arXiv preprint arXiv:2604.00469},
year = {2026}
}
备注
31 pages, 3 figures, 3 tables. Inference code and model weights available at https://github.com/maynord/7T-MS-lesion-segmentation