摘要
背景：准确分割和分类多发性硬化症（MS）病灶对于实现可靠的诊断和疾病监测至关重要。然而，病灶在大小、位置和强度方面的差异给自动化分析带来了巨大挑战。方法：为解决这一问题，我们开发了一种两阶段处理流程，结合深度学习技术实现精准的空间定位，同时运用机器学习技术对MS病灶进行高效分类。我们选择了两种先进的深度学习模型nnU-Net和UNETR++用于病灶分割任务。此外，还尝试了UNETR++以及几种传统的机器学习方法进行分类，最终发现随机森林是最佳选择。结果：实验结果显示，在所有案例中，nnU-Net在病灶分割方面的表现均优于UNETR++，最大提升幅度达12.8%。在分类任务中，随机森林的表现也始终优于先进的深度学习模型，其性能至少高出12%。在实际应用中，将nnU-Net用于精准分割、随机森林用于高效分类的优化混合流程能够带来最佳的总体性能。此外，定性分析表明，部分看似错误的阳性结果可能源于标注过程中遗漏的病灶，这凸显出真实标签标注存在的潜在局限性。结论：总体而言，所提出的处理流程充分发挥了深度学习和机器学习各自的优点，为自动化MS病灶分析提供了一个具有较高准确性的框架，具备一定的临床应用价值。
