评估传统的,深度学习和子场方法,以自动分割海马从MRI
Sabrina Sghirripa1,2, Gaurav Bhalerao3,4, Ludovica Griffanti3,4
1Australian Institute for Machine Learning, School of Computer and Mathematical Sciences, The University of Adelaide, Adelaide, South Australia, Australia.
Human brain mapping
|March 27, 2025
概括
这项研究比较了10种自动海马细分方法用于MRI扫描. 深度学习方法在公共数据上表现良好,但在临床数据上显示出差异性,突出了细分挑战.
科学领域:
- 神经成像是一种神经成像.
- 医学图像分析 医学图像分析
- 计算神经科学是一种神经科学.
背景情况:
- 海马缩与各种疾病中的认知障碍相关.
- 通过MRI手动对海马进行细分至关重要,但很费力,容易出现错误.
- 需要自动细分方法,但缺乏直接比较.
研究的目的:
- 独立评估和比较10种自动海马细分方法的性能.
- 评估传统的,基于深度学习的和子领域细分技术.
- 确定当前自动细分方法的优点和弱点.
主要方法:
- 评估了10种自动化方法 (FreeSurfer,SynthSeg,FastSurfer,FIRST,e2dhipseg,Hippmapper,Hippodeep,FreeSurfer-Subfields,HippUnfold,HSF).这些自动化方法的使用方法包括:
- 利用了3个数据集与手动海马细分的地面真相.
- 使用重叠指标,体积相关性,相似性,诊断差异化和错误分析来评估性能.
主要成果:
- 大多数方法,特别是在手册标签上训练的深度学习模型,在公共数据集上表现良好.
- 当应用到临床数据集时,方法显示出更大的错误和可变性.
- 过分细分,特别是在前海马,是一个常见的问题,但诊断组的分化往往是成功的.
结论:
- 目前的海马自动细分方法面临挑战,特别是临床数据的变化.
- 深度学习方法显示出希望,但需要进一步改进以获得强大的临床应用.
- 需要更多的多样化,手动标记的数据集来改进和验证跨不同人群和病理的细分算法.


