使用nnU-Net对卒中MRI进行自动化病灶分割：跨急性和慢性病灶的全面外部验证

从磁共振成像（MRI）中准确且可泛化地分割卒中病灶，对于推进临床研究、预后建模和个性化干预至关重要。尽管深度学习改进了自动病灶描绘，但许多现有模型针对狭窄的成像场景进行了优化，对独立数据集、模态和卒中阶段的泛化能力较差。在此，我们使用 nnU-Net 框架在跨越急性和慢性卒中的多个异构、公开可用的 MRI 数据集上，系统评估了卒中病灶分割。模型在弥散加权成像（DWI）、液体衰减反转恢复（FLAIR）和 T1 加权 MRI 上进行了训练和测试，并在独立数据集上进行了评估。在各个卒中阶段，模型表现出鲁棒的泛化能力，分割准确率接近已报告的评估者间可靠性。性能因成像模态和训练数据特征而异。在急性卒中中，基于 DWI 训练的模型始终优于基于 FLAIR 的模型，多模态组合仅带来适度的提升。在慢性卒中中，增加训练集大小提高了性能，但在超过几百个案例后收益递减。病灶体积是准确率的关键决定因素：较小的病灶更难分割，在受限体积范围上训练的模型泛化能力较差。MRI 图像质量进一步限制了泛化能力：在低质量扫描上训练的模型迁移效果较差，而在高质量数据上训练的模型能很好地泛化到噪声较大的图像。预测与参考掩膜之间的差异通常可归因于人工标注的局限性。总之，这些发现表明，自动病灶分割可以接近人类水平的性能，同时识别了控制泛化能力的关键因素，并为病灶分割工具的开发提供了信息。