面向对比度无关脊髓软分割的研究

脊髓分割具有临床意义，尤其用于计算脊髓横截面积（CSA）以诊断和监测脊髓压迫或多发性硬化等神经退行性疾病。尽管已有若干半自动与自动方法，一个关键局限依然存在：分割依赖于 MRI 对比度，导致不同对比度下 CSA 不同。这部分源于脊髓与脑脊液之间边界外观随序列和采集参数而变化。这种对比度敏感的 CSA 在协议可能不同的多中心研究中增加了变异性，降低了对细微萎缩的检测灵敏度。此外，现有方法通过为每个对比度训练一个模型来增强 CSA 变异性，同时产生未考虑部分容积效应的二值掩码。本工作中，我们提出一种基于深度学习的方法，生成脊髓的软分割。利用健康受试者的 Spine Generic 公共数据库（$\text{n}=267$；$\text{contrasts}=6$），我们首先通过对全部 6 种对比度的二值分割取平均，生成受试者层面的软真值（GT）。这些软 GT 连同激进的数据增强与基于回归的损失函数，被用于训练一个用于脊髓分割的 U-Net 模型。我们将所提模型与最先进方法比较，并开展了涉及不同损失函数与域泛化方法的消融实验。结果表明，使用软分割配合回归损失函数降低了 CSA 变异性（$p < 0.05$，Wilcoxon 符号秩检验）。所提出的脊髓分割模型在未见的数据集、厂商、对比度及病理（压迫、病灶）间比最先进方法泛化更好，同时考虑了部分容积效应。