使用新型T1×FLAIR序列和PSU-Mamba技术进行MRI中的脉络丛分割:投影扫描U-Mamba方法

《Pattern Recognition Letters》:Choroid Plexus Segmentation in MRI Using the Novel T1×FLAIR Modality and PSU-Mamba: Projective Scan U-Mamba Approach

【字体: 大 中 小 】 时间:2026年01月26日 来源:Pattern Recognition Letters 3.3

编辑推荐:

  视丘管分段的新方法与数据集:提出T1×FLAIR非侵入性MRI模式替代侵入性CE-T1w,发布含168例多模态数据的ChP-MRI数据集,并改进U-Mamba模型为PSU-Mamba,通过PCA扫描路径提升分割精度。

  
Lia Schmid|Giuseppe M. Facchi|Francesco Agnelli|Giorgio Bocca|Luca Sacchi|Raffaella Lanzarotti
米兰大学计算机科学系,意大利米兰20122

摘要

脉络丛(Choroid Plexus,CP)作为阿尔茨海默病(Alzheimer’s Disease)及其前驱病理等神经退行性疾病(Neurodegenerative Diseases,NDDs)的生物标志物日益受到关注。然而,对其进行分割仍然具有挑战性,尤其是在没有使用增强对比度的T1加权(Contrast-Enhanced T1-weighted,CE-T1w)成像的情况下,因为这种成像方式具有侵入性且在NDDs研究中很少应用。为了解决这些问题,我们提出了三项关键贡献。首先,我们提出并验证了T1×FLAIR,这是一种新的非侵入性方法,通过将配准的T1w图像和FLAIR图像进行伽马校正后的逐体素相乘来实现。专家视觉检查证实,这种方法在保持标准分辨率的同时提高了CP的可见性。其次,我们发布了ChP-MRI,这是一个包含168名NDDs或多发性硬化症(Multiple Sclerosis)患者的高质量MRI数据集,其中包含了T1w、FLAIR和T1×FLAIR图像以及经过专家验证的CP分割结果。该数据集涵盖了多种病理类型,并附有用于基准测试的人口统计信息。第三,我们提出了PSU-Mamba(Projective Scan U-Mamba),这是对U-Mamba分割模型的改进版本,其第一个编码器层采用基于PCA的扫描路径,该路径是根据解剖学先验信息生成的。这种设计提高了分割精度,保持了线性复杂性,并且训练周期更短。在ChP-MRI上的实验表明,T1×FLAIR比T1w更能准确反映CP的实际情况,而PSU-Mamba在CP分割方面表现出系统性的稳健性。源代码和数据集可在以下链接获取:https://github.com/phuselab/PSU_Mamba#。

引言

神经退行性疾病(NDDs),如阿尔茨海默病(AD)、轻度认知障碍(Mild Cognitive Impairment)、路易体痴呆(Lewy Body Dementia)和额颞叶痴呆(Fronto-Temporal Dementia,FTD),正成为全球日益严重的健康问题[1],[2]。尽管AD目前无法治愈,但早期诊断可以延缓症状进展并提高生活质量。现有的诊断工具,包括正电子发射断层扫描(Positron Emission Tomography,PET),成本高昂,需要专门的基础设施,并且通常只有在临床症状出现后才能检测到病变。因此,迫切需要非侵入性的自动化成像方法来支持更早和更广泛的NDDs检测[3]。
脉络丛(Choroid Plexus,CP)是大脑脑室内的血管和上皮细胞网络,最近因其在与神经退行性疾病中的作用及其作为早期生物标志物的潜力而受到关注[4],[5],[6],[7]。CP的异常与阿尔茨海默病及相关疾病有关,这推动了对使用MRI评估CP体积的兴趣日益增加[8]。然而,CP的分割非常困难:手动勾画方法存在较大的观察者间差异,而像FreeSurfer[9]这样的自动化工具并未针对CP不规则的海绵状形态进行优化。基于深度学习(Deep Learning,DL)的生物医学图像分割技术已经取得了显著进展[10],例如nnU-Net[11]这样的自配置框架。然而,即使是最先进的DL模型也难以准确捕捉CP细长、延伸的结构(见第1.1节)。
本研究通过解决三个关键问题来推进CP的分割技术。首先,我们引入了T1×FLAIR作为新的CP分割黄金标准。这种方法保留了T1加权MRI(T1w)的非侵入性特点,同时模拟了增强对比度的T1w(CE-T1w)的效果,后者虽然提供了更好的可视化效果[12],但由于依赖对比剂,在多发性硬化症(MS)病例之外很少使用。T1×FLAIR方法保持了高分辨率,并且即使在标准的3T扫描仪上也能临床应用。
其次,我们发布了ChP-MRI,这是一个包含168名NDDs或MS患者的高质量3D MRI数据集,每个患者都配备了相应的T1w、FLAIR和T1×FLAIR图像以及经过专家验证的分割结果。该数据集在临床标准化条件下获取,经过质量控制,并涵盖了多种诊断类型,以便跨不同模态和病理类型进行基准测试。
第三,我们提出了PSU-Mamba(Projective Scan U-Mamba),这是对U-Mamba的分割模型的改进版本,它将解剖学先验信息整合到了Mamba层的逐体素平整策略中。通过将空间坐标投影到通过主成分分析(Principal Component Analysis,PCA)计算出的第一个主成分上,实现了体素排序。这种基于投影的方法在Mamba层内引导了语义上连贯的信息流动,保持了目标解剖结构的连续性和线性时间的计算复杂性。
我们在脉络丛上展示了PSU-Mamba的效果,并通过使用公开可用的EBRAINS CEREBRUM-7T数据集[13]对脑干进行了分割,验证了其通用性。值得注意的是,PSU-Mamba的收敛速度比传统架构更快,且训练周期较短,使其适用于资源有限的临床环境和数据量少的情况,例如罕见病理类型。
总结来说,我们的主要贡献包括:
  • •
    T1?×?FLAIR:一种新的MRI方法,作为非侵入性的CE-T1w替代方案,提高了CP的可见性。
  • •
    ChP-MRI:一个包含168名患者的多模态数据集,附带专家标注的CP分割结果。
  • •
    PSU-Mamba:基于PCA的投影扫描路径的U-Mamba扩展版本,用于实现解剖学指导的分割。
  • 近期进展在特定临床背景下探索了CP的分割技术。3D UX-Net模型[14]在多发性硬化症(MS)患者的T1w扫描中实现了准确的分割,将CP体积与临床结果联系起来。ASCHOPLEX[15]结合了DynUnet[16]、[17]和UNETR[18]五个模型,提高了MS数据集的分割准确性。然而,这些方法仍然针对特定模态或病理类型进行了优化,并未明确解决CP不规则、延伸形态带来的几何挑战。
    基于Mamba的架构最近作为视觉任务中Transformer的有效替代方案出现[19],它们在序列长度方面具有线性复杂性,从而实现了高分辨率的3D分割。这一特性对于CP分割特别有利,因为CP的延伸、角状形态导致空间上相距较远的体素属于相同的解剖结构[20]。Mamba架构的详细描述见补充材料(第5节)。在此基础上,U-Mamba[21]将Mamba层整合到了U-Net的编码器-解码器中,后续的扩展进一步优化了扫描路径设计和效率。SegMamba[22]引入了方向感知的遍历方式,以更好地保持方向连续性,而Zigma[23]采用了之字形路径来减少长距离不连续性。Switch-UMamba[24]在训练过程中动态切换扫描路径,进一步推动了这一研究方向的发展。其他研究强调了架构效率:ViViM[25]和DeepLamba[26]利用多尺度表示和轻量级模块来降低计算成本而不影响准确性。最后,图谱感知的调整,如GraphMamba[27]和Gated-Mamba[28],引入了模型结构依赖性或选择性信息门控机制。总体而言,这些发展表明体素排序和表示策略对Mamba基分割模型的成功至关重要。

    章节片段

    T1×FLAIR产品的生成

    T1?×?FLAIR方法结合了T1加权(T1w)和FLAIR图像的互补特性:T1w提供了解剖结构的清晰度,而FLAIR突出了病理变化。其目的不是提高整体图像质量,而是专门增强包含CP区域的对比度,从而在不使用对比剂的情况下模拟CE-T1w扫描的解剖可见性。
    该过程首先将T1w、FLAIR和CE-T1w扫描结果配准到T1w空间中,具体细节见

    实验与结果

    为了评估我们提出的方法,我们使用了自己收集并公开发布的高质量3D ChP-MRI数据集。每个患者的数据集包括高分辨率的T1加权磁化准备快速梯度回波(Magnetization Prepared Rapid Gradient Echo,MPRAGE)序列和快速的流体衰减反转恢复(Fluid-Attenuated Inversion Recovery,FLAIR)序列。所有参与者都同意将其匿名临床数据用于研究。所有扫描都在荷兰埃因霍温使用Philips Achieva扫描仪完成

    结论

    本研究在三个关键方面推进了MRI中的3D CP分割技术。首先,我们引入了T1?×?FLAIR方法作为CE-T1w的非侵入性替代方案,提供了高质量的CP可视化效果。其次,我们发布了包含168个多模态病例的ChP-MRI数据集,并附有专家标注,以促进进一步的研究和基准测试。第三,我们提出了Projective Scan U-Mamba(PSU-Mamba),它在最早的编码器阶段整合了基于PCA的体素重排序,生成了解剖学对齐的标记序列

    未引用的参考文献

    [37],[38],[39]。

    CRediT作者贡献声明

    Lia Schmid:撰写——原始草案、可视化、验证、监督、软件开发、方法论设计、研究实施、形式分析、数据管理、概念构思。Giuseppe M. Facchi:撰写——审稿与编辑、监督、软件开发、方法论设计、概念构思。Francesco Agnelli:撰写——审稿与编辑、可视化、验证、方法论设计、形式分析、概念构思。Giorgio Bocca:软件开发、资金获取、数据管理。Luca Sacchi:数据管理

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号