评估 U-net 脑提取在多中心与纵向临床前卒中成像中的表现
图像与视频处理
2022-03-14 v1 计算机视觉与模式识别
定量方法
摘要
啮齿动物卒中模型对于评估治疗方法以及理解脑缺血的病理生理和行为变化十分重要，而磁共振成像（MRI）是临床前研究中测量结果的重要工具。脑提取是大多数神经成像流程中必不可少的第一步；然而，在存在严重病理且数据集质量高度可变的情况下，它可能具有挑战性。卷积神经网络（CNN）可提高准确性并减少操作时间，从而促进高通量临床前研究。作为一项正在进行的临床前卒中成像研究的一部分，我们利用 U-net CNN 开发了一种深度学习小鼠脑提取工具。虽然先前的研究已评估了 U-net 架构，但我们试图评估它们跨数据类型的实际表现。我们探究性能如何受到以下数据的影响：六个成像中心、实验性卒中后的两个时间点，以及四种 MRI 对比度。我们在 240 个多模态 MRI 数据集（包括定量多回波 T2 和表观扩散系数（ADC）图）上训练、验证和测试了一个典型的 U-net 模型，并使用一个大型临床前卒中数据库（N=1,368）进行了定性评估。我们描述了该系统的设计与开发，并报告了我们将数据特征与分割性能联系起来的发现。我们一致发现 U-net 架构具有高准确性和泛化性能，准确率在 95-97% 范围内，仅因较低保真度成像硬件和脑病理而导致性能适度下降。该工作有助于指导未来临床前啮齿动物成像研究的设计，并提升其可扩展性与可靠性。
引用
@article{arxiv.2203.05716,
title = {Evaluating U-net Brain Extraction for Multi-site and Longitudinal Preclinical Stroke Imaging},
author = {Erendiz Tarakci and Joseph Mandeville and Fahmeed Hyder and Basavaraju G. Sanganahalli and Daniel R. Thedens and Ali Arbab and Shuning Huang and Adnan Bibic and Jelena Mihailovic and Andreia Morais and Jessica Lamb and Karisma Nagarkatti and Marcio A. Dinitz and Andre Rogatko and Arthur W. Toga and Patrick Lyden and Cenk Ayata and Ryan P. Cabeen},
journal= {arXiv preprint arXiv:2203.05716},
year = {2022}
}