MSLesSeg：多发性硬化病灶分割新数据集与基准方法的建立及验证

本研究针对多发性硬化(MS)病灶手工分割耗时且存在操作者偏差的问题，开发了公开MRI数据集MSLesSeg，包含115例患者的T1/T2/FLAIR序列及专家标注。团队通过AI模型MSSegDiff实现自动化分割，DSC达0.6851，优于SwinUNETR等主流算法。该数据集填补了MS病灶分割领域高质量公开数据的空白，为临床AI辅助诊断提供标准化基准。

　　

多发性硬化(MS)作为一种累及中枢神经系统的慢性炎症性疾病，其病灶的准确识别对临床诊疗至关重要。当前MS病灶分割主要依赖放射科医师手工标注磁共振成像(MRI)图像，不仅耗时费力，还易受主观判断影响。尽管机器学习方法在医学图像分割领域取得进展，但缺乏大规模、高质量的标准化数据集成为制约算法发展的瓶颈。现有公开数据集如ISBI-2015存在样本量有限、标注不一致等问题，导致AI模型泛化能力不足。

为解决这一难题，意大利卡塔尼亚大学的研究团队构建了MSLesSeg数据集，相关成果发表于《Scientific Data》。该研究包含75名MS患者（48女/27男）的115次扫描，涵盖T1加权(T1-w)、T2加权(T2-w)和液体衰减反转恢复(FLAIR)三种MRI序列，所有图像经FLIRT工具配准至MNI152标准空间，并由资深神经放射学家通过JIM 9.0软件完成病灶标注。团队采用5折交叉验证策略，对比测试了基于扩散模型的MSSegDiff与SwinUNETR等主流算法性能。

关键技术方法包括：1) 多中心MRI数据采集（1.5T/3T场强）；2) 基于FLIRT的跨模态图像配准；3) 专家共识标注流程（初级标注+双高级专家复核）；4) 扩散模型与注意力机制融合的MSSegDiff架构；5) Dice系数(DSC)等6项量化评估指标。

【Data collection】
研究纳入18-59岁MS患者（平均37±10.3岁），按病程分为复发缓解型(RRMS)、继发进展型(SPMS)和原发进展型(PPMS)。训练集含53例患者（50 RRMS/3 SPMS），测试集22例（21 RRMS/1 PPMS），所有扫描均包含T1-w、T2-w和FLAIR序列。FLAIR图像显示病灶最清晰，平均空间分辨率455.82×455.82像素（±314.71）。

【Preprocessing】
采用FSL工具包完成关键预处理：1) DICOM转NIFTI格式；2) 基于BET的颅骨剥离；3) 12自由度仿射变换配准至1mm³各向同性MNI152模板。这些步骤确保不同扫描仪数据具有可比性。

【Labelling】
标注协议严格规定：初级标注员需同步查看T1-w/T2-w序列辅助判断，对模糊病灶采用ROI跨切片传播技术。图2展示的3D标注示例显示，该方法能有效识别脑室周围、皮质/近皮质等典型MS病灶区域。

【Evaluation Metrics】
除常规DSC、真阳性率(TPR)外，创新性引入病灶级评估指标：LTPR（单个病灶识别率）和LFPR（假阳性率）。共识分析发现，AI算法在较大病灶边缘易产生系统性偏差（图3），而专家标注更符合解剖实际。

【Technical Validation】
MSSegDiff在测试集表现最优：平均DSC 0.6851显著高于UNETR(0.6421)和TransBTS(0.4917)。表5显示其AVD（绝对体积差异）仅24.45%，证明体积测量准确性。图4直观对比显示，该模型能更好保留病灶形态学特征，减少假阳性。

该研究创建了目前最全面的MS病灶分割开源数据集，其价值体现在三方面：1) 提供跨机构、多扫描仪的真实世界数据，增强算法鲁棒性；2) 确立标准化预处理和评估流程，解决以往研究可比性差的痛点；3) 验证了扩散模型在医学图像分割中的优势，为后续研究提供新方向。数据集采用CC-BY-4.0许可，已托管至Figshare平台（DOI:10.6084/m9.figshare.27919209），配套代码全部开源。这项工作将加速MS病灶定量分析工具的临床转化，助力个性化诊疗方案制定。