强度标准化对多中心 FLAIR MRI 中基于深度学习的 WML 分割的影响
图像与视频处理
2023-07-11 v1 人工智能
计算机视觉与模式识别
机器学习
信号处理
摘要
用于 MRI 中白质病变（WML）分割的深度学习（DL）方法，在应用于与训练数据分布外（OOD）的扫描仪或中心数据时，性能会下降。这对于转化与广泛采用至关重要，因为当前模型无法轻易应用于来自新机构的数据。在这项工作中，我们评估了多种 MRI 强度标准化方法，作为多中心液体衰减反转恢复（FLAIR）MRI 中 WML 分割的预处理步骤。我们评估了一种专为 FLAIR MRI 开发的方法 IAMLAB，以及其他流行的归一化技术如 White-strip、Nyul 和 Z-score。我们提出了一种集成模型，结合了来自这些模型各自的预测。在标准化图像以及原始数据上训练了一个跳跃连接 UNet（SC UNet），并从多个维度评估了分割性能。训练（分布内）数据由单一研究、60 个体积组成，测试（OOD）数据为来自三个临床队列的 128 个未见过体积。结果显示，与来自原始数据或其他归一化方法的模型相比，IAMLAB 和集成提供了更高的 WML 分割性能。IAMLAB 与集成在分布内数据（0.78 与 0.80）和临床 OOD 数据上具有最高的骰子相似系数（DSC）。对于所有病变类别，IAMLAB 的 DSC 均显著高于原始数据（p<0.05）（LL>25mL：0.77 对 0.71；10mL<= LL<25mL：0.66 对 0.61；LL<10mL：0.53 对 0.52）。IAMLAB 和集成归一化方法正在缓解 MRI 域偏移，并且是针对未见过 FLAIR 数据中基于 DL 的 WML 分割的最优方法。
引用
@article{arxiv.2307.03827,
title = {Effect of Intensity Standardization on Deep Learning for WML Segmentation in Multi-Centre FLAIR MRI},
author = {Abdollah Ghazvanchahi and Pejman Jahbedar Maralani and Alan R. Moody and April Khademi},
journal= {arXiv preprint arXiv:2307.03827},
year = {2023}
}