一项多中心研究，探讨了基于变压器（Transformer）的卷积神经网络（CNN）在3D FLAIR MRI图像中对多发性硬化（MS）病灶进行分割的应用

《Neuroradiology》：A multi-center study of transformer-based CNNs for multiple sclerosis lesion segmentation on 3D FLAIR MRI

本研究开发并评估了基于Transformer-CNN的FLAIR MRI多发性硬化症病变自动分割框架，对比U-Net和DeepLabV3，在Dice score（92.3%）、IoU（91.4%）等指标上表现最优，且跨中心性能鲁棒（GDSC 91.3%，ICC 96.5%），适用于临床监测。

　　

摘要

目的

本研究旨在开发并评估一种基于Transformer-CNN的框架，用于自动化分割FLAIR MRI图像中的多发性硬化（MS）病变。该模型与U-Net和DeepLabV3进行了基准测试，并通过内部5折交叉验证评估了其分割精度和中心间性能，以确保其在不同临床数据集上的鲁棒性。

材料与方法

来自五个临床中心的1,800张3D FLAIR MRI扫描数据集使用5折交叉验证进行了划分。预处理包括各向同性重采样、强度归一化和偏场校正。Transformer-CNN结合了基于CNN的局部特征提取和基于Transformer的全局上下文建模。数据增强策略（如几何变换和噪声注入）提高了模型的泛化能力。性能评估指标包括Dice分数、IoU、HD95和像素精度，以及内部交叉验证指标，如广义Dice相似系数（GDSC）、域内IoU（DwIoU）、交叉折叠Dice偏差（CFDD）和体积一致性（类内相关系数，ICC）。使用Kruskal-Wallis检验和Dunn的事后分析来比较各模型的统计显著性。

结果

Transformer-CNN取得了最佳的整体性能，Dice分数为92.3%，IoU为91.4%，HD95为2.25毫米，像素精度为95.6%。它在内部交叉验证的中心间指标上也表现出色，获得了最高的GDSC（91.3%）和DwIoU（89.2%），最低的CFDD（1.05%）以及最高的ICC（96.5%）。DeepLabV3和U-Net的Dice分数分别为85.1%和83.0%，HD95值分别为4.15毫米和4.30毫米。U-Net的性能最差，它在不同数据集之间的变异性较大，且在检测小病变时存在困难。

结论

在内部5折交叉验证下，Transformer-CNN在分割精度和中心间性能方面均优于U-Net和DeepLabV3。其鲁棒性、较小的变异性以及跨不同数据集的泛化能力使其成为临床MS病变分割和监测的实用且可靠的工具。