含异常脑解剖的 MRI 全脑分割：模型与数据发布

目的：本工作旨在开发用于全脑分割的深度网络，涵盖含异常解剖的临床 MR 图像，并构建首个针对此目的的公开基准数据集。我们收集了 98 例具有体积分割标签的 MR 图像，覆盖来自不同人群的正常个体以及临床病例中的异常解剖（如中风和意识障碍）。方法：训练标签通过手动纠正初始自动分割结果获得，针对皮肤/头皮、骨骼、脑脊液、灰质 tissue、白质、气洞以及颅外气体进行分割。我们开发了MultiAxial 网络，包含三个在仰视、横断和冠状平面上独立运行的 2D U-Net，随后合并以产生单一的 3D 分割结果。结果：MultiAxial 网络在全脑分割（包括灰质和白质）上的测试集 Dice 评分为 0.88±0.04（中位数±四分位范围），优于 Multipriors（0.86±0.04）和 SPM12（0.79±0.10），后者是当前可用于此任务的两种标准工具。MultiAxial 网络通过避免与靶图进行配准，具有更好的鲁棒性。它在异常解剖区域以及脱敏图像上表现良好，使其在纳入 ROAST（ transcranial electric stimulation 广泛使用的建模工具箱）中，能够实现更准确、更稳健的电流建模。结论：我们发布了面向含异常解剖的全脑 MRI 分割的新型国际前沿工具，以及规模最大的带标签临床头部 MR 图像数据集（包含非脑组织标签）。该模型与数据可能为未来工作提供基准。