迁移学习用于脑损伤分割的荟萃分析

卒中研究与卒中恢复预测的一大挑战是确定卒中病灶的范围及其对相关脑系统的影响。从 3D 磁共振（MR）成像体数据中手动分割卒中病灶是当前金标准，不仅非常耗时，其准确性还高度依赖操作者的经验。因此，亟需一种全自动分割方法，能够高效、客观地测量病灶范围及每个病灶的影响，以预测功能障碍与恢复潜力，这可能对临床、转化和研究环境有益。我们已实现并测试了一种全自动卒中病灶分割方法，其采用八种不同的 2D 模型架构，通过迁移学习（TL）与混合数据方法训练开发。此外，最终预测采用一种涉及堆叠与一致性窗口的新颖集成方法。我们的新方法在一个包含 22 张 T1w 脑 MR 图像的新颖内部数据集上进行了评估，这些图像在多个角度具有挑战性，但主要因为它们包含了亚急性期（通常 T1 病灶边界较模糊）与慢性期（通常意味着边界清晰的 T1 病灶）的 T1w MR 图像。交叉验证结果表明，与金标准相比，我们的新方法能够高效、自动且快速地以高准确性分割病灶。除分割外，基于病灶与从皮质运动区延伸至脑干最下端的规范结构性运动系统的重叠，我们提供了相关脑系统的病灶体积与加权病灶负荷。