基于深度学习的脑白质高信号区域自动分割与分类方法的开发与验证

《European Radiology》：Development and validation of a deep learning-based automatic segmentation and classification of cerebral white matter hyperintensities

本研究开发并验证了一种基于深度学习的白质高信号（WMH）同时分割与分类模型，用于认知障碍患者的影像分析。通过多任务多实例学习框架，模型在内部测试集（n=149）和外部测试集（n=100）上分别达到Dice系数0.72-0.88和0.68-0.75，Fazekas评分分类准确率0.68-0.88。结果表明，该模型能有效量化WMH，为脑小血管病诊断提供可靠工具。

　　

摘要

研究目的

白质高信号（WMH）是脑小血管疾病的神经影像学标志。我们的目标是开发并验证一种基于深度学习的、能够同时自动分割和分类白质高信号的模型，适用于认知障碍患者。

材料与方法

这项回顾性研究纳入了来自一家三级医院的连续认知障碍患者的影像数据。首先在448名和149名受试者上训练并调整了分割模型；随后，基于该分割模型，利用多任务多实例学习框架（MTMIL）开发并调整了分类模型，分别在1186名和394名受试者上进行了训练和调整。分割和分类任务的测试分别在内部测试数据集的149名和394名受试者以及外部数据集的100名受试者中进行。我们评估了五种不同的模型以选择最佳的分割方法。根据Fazekas量表进行分类时，使用了三个等级（正常/轻度、中度、重度），并且将病变位置分别报告为室周性和深部白质高信号。分类评估由三位经验丰富的神经放射科医师完成。

结果

2016年1月至2019年12月期间，共有1974名连续就诊的患者（平均年龄71.1±9.7岁）参与了研究。使用UNet和Resnet-34编码器的模型在内部和外部测试数据集上的Dice分数分别为：单类分割为0.88（95%置信区间：0.88–0.89）和0.85（95%置信区间：0.84–0.86）；多类分割为0.77（95%置信区间：0.76–0.79）和0.72（95%置信区间：0.71–0.74）。Fazekas量表分类模型在内部数据集上的准确率分别为室周性白质高信号0.88、深部白质高信号0.87，在外部数据集上分别为0.68和0.75。

结论

这些结果表明了我们模型在分割和分类方面的优异性能，以及它们作为准确诊断辅助工具用于量化评估白质高信号的潜力。

要点

问题 我们利用认知障碍患者的数据开发了一种基于深度学习的、能够同时自动分割和分类白质高信号的模型。

发现 分割模型在单类和多类分割中的Dice分数分别为0.72–0.88。Fazekas量表分类准确率在室周性/深部白质高信号范围内为0.68–0.88。

临床意义 我们的研究表明，基于深度学习的模型在分割和分类方面表现优异，具有作为准确诊断辅助工具的潜力，可用于白质高信号的量化评估。

图形摘要