编辑推荐：
为解决脑卒中病变分割模型检测治疗效果能力未充分探索的问题，研究人员开展 GMM 和 nnU-Net 在识别治疗相关脑卒中体积变化方面有效性的研究。结果发现 nnU-Net 单用手动分割训练有局限，用 GMM 衍生标签训练更准确。这强调治疗检测评估的重要性。
在医学影像领域，脑卒中（stroke）作为一种严重的脑血管疾病，每年都给大量患者及其家庭带来沉重的负担。它是全球范围内导致死亡和残疾的重要原因之一，准确评估脑卒中病变对于临床治疗和预后判断至关重要。目前，体内磁共振成像（MRI）技术虽然强大，但精确评估脑卒中病变的复杂性却困难重重。传统的手动分割方法不仅耗时耗力，而且不同观察者之间的差异较大，容易出现人为误差。
与此同时，基于机器学习的分割模型逐渐兴起。其中，高斯混合模型（Gaussian Mixture Models，GMM）凭借其在发现数据潜在分布方面的优势，在生物医学成像的多个领域广泛应用，在脑卒中病变分割中也有不错的表现。然而，GMM 在处理大规模数据集时，由于大协方差矩阵的计算要求和期望最大化算法的复杂计算，存在一定的局限性。nnU-Net（“no - new - Net” U - Net）作为新一代深度学习分割方法，能自动确定最佳网络架构、训练策略和数据预处理方法，在医学图像分割领域备受青睐。但它高度依赖大量数据和精确的体素级真实标签（ground truth，GT），而获取大规模手动标注的 GT 标签困难重重，这可能导致在评估治疗效果时出现偏差。
在这样的背景下，来自国外的研究人员为了解决上述问题，开展了一项极具意义的研究。他们聚焦于评估 GMM 和 nnU-Net 在分割脑卒中病变时的性能，尤其是检测治疗后脑卒中体积减少的能力。研究成果发表在《Computers in Biology and Medicine》上，为该领域的发展提供了重要参考。
研究人员主要采用了以下关键技术方法：利用大鼠脑卒中的临床前 MRI 数据集，该数据集包含了表观扩散系数（Apparent diffusion coefficient，ADC）和 T2 加权（T2W）图像。实验选用 53 只通过可逆大脑中动脉闭塞（MCAO）模型诱导缺血性脑卒中（IS）的大鼠。在研究过程中，分别运用 GMM 和 nnU-Net 对控制组和治疗组动物发病 24 小时后的 MRI 数据进行处理。GMM 按照之前描述的方法进行脑卒中区域分割，nnU-Net 则使用手动标注的 GT 进行训练，之后在剩余动物数据上进行测试。
分割性能评估
研究人员分别将 GMM 和 nnU-Net 应用于相同的 ADC 和 T2W MRI 数据集。结果显示，两种方法在分割性能上都表现出色。然而，仅用手动分割进行训练的 nnU-Net，在检测治疗诱导的脑卒中体积显著减少方面存在不足。尽管它在常规分割指标上表现优异，但却得出了假阴性的研究结果。这意味着在实际评估治疗效果时，该模型可能会遗漏重要信息，影响对治疗方案有效性的判断。
不同标签对 nnU-Net 训练的影响
研究人员进一步探究不同的 GT 标签对 nnU-Net 训练的影响。他们用 GMM 衍生的 GT 标签训练 nnU-Net，并与使用手动标注 GT 训练的模型进行对比。结果发现，使用 GMM 衍生标签训练的 nnU-Net 能更准确地检测治疗反应。这表明不同的 GT 定义会显著影响模型在治疗评估中的性能，为后续优化模型训练提供了新的思路。
类不平衡对分割的影响
研究人员还研究了类不平衡对分割准确性的影响。脑卒中体积减少的治疗会改变目标分割标签的数量，进而影响模型性能。研究发现，在评估模型时，忽略类不平衡问题会导致对模型性能的误判。这提示在构建和评估脑卒中病变分割模型时，必须充分考虑类不平衡因素，以确保模型的可靠性。
综上所述，本研究系统评估了 GMM 和 nnU-Net 在脑卒中病变分割和治疗评估中的表现。研究结果强调，在全面评估模型性能时，检测治疗反应的能力至关重要，不能仅仅依赖分割精度。这一研究成果为后续的脑卒中研究、多中心试验以及临床工作流程中的模型选择和优化提供了重要依据，有助于提高对脑卒中治疗效果的准确评估，推动生物医学成像领域的发展，为临床决策提供更可靠的支持。
