【论文阅读】WMH Segmentation Challenge 2017 及第一名解决方案

文章目录

相关医学常识
- 白质高信号
- Fazekas量表
- [STandards for ReportIng Vascular changes on nEuroimaging (STRIVE)](http://dx.doi.org/10.1016/S1474-4422(13)70124-8)
- - Definitions（部分区域高信号争议）
WMH Segmentation Challenge
- Data
- - 数据初览
  - MRI参数
  - train and test
  - 官方的数据前处理
- 第一名处理方案
- - 数据预处理
  - 2D 的网络结构
  - - 输入
    - 模型融合（结果融合）
    - Dice loss
    - 后处理
    - 结果还是很不错的

WMH Segmentation Challenge

比赛官网：https://wmh.isi.uu.nl/

Data

数据初览

不同的机器类型：西门子，通用，飞利浦
不同的场强： 1.5T，3T

MRI参数

所有三维序列均取矢状位方向，所有二维多层序列取横断面方向。

UMC Utrecht, 3 T Philips Achieva:
- 3D T1-weighted sequence (192 slices, voxel size: 1:00 1:00 1:00 mm3, repetition time (TR)/echo time (TE): 7:9=4:5 ms),
- 2D FLAIR sequence (48 slices, voxel size: 0:96 0:95 3:00 mm3, TR/TE/inversion time (TI): 11; 000=125=2; 800 ms)
NUHS Singapore, 3 T Siemens TrioTim:
- 3D T1-weighted sequence (voxel size: 1:00 1:00 1:00 mm3, TR/TE/TI: 2; 300=1:9=900 ms),
- 2D FLAIR sequence (voxel size: 1:00 1:00 3:00 mm3, TR/TE/TI: 9; 000=82=2; 500 ms)
VU Amsterdam, 3 T GE Signa HDxt:
- 3D T1-weighted sequence (176 slices, voxel size: 0:940:941:00 mm3, TR/TE: 7:8=3:0 ms),
- 3D FLAIR sequence (132 slices, voxel size: 0:98 0:98 1:20 mm3, TR/TE/TI: 8; 000=126=2; 340 ms)
VU Amsterdam, 1.5 T GE Signa HDxt:
- 3D T1-weighted sequence (172 slices, voxel size: 0:98 0:98 1:50 mm3, TR/TE: 12:3=5:2 ms),
- 3D FLAIR sequence(128 slices, voxel size: 1:21 1:21 1:30 mm3, TR/TE/TI:6; 500=117=1; 987 ms)
VU Amsterdam, 3 T Philips Ingenuity (PET/MR):
- 3D T1-weighted sequence (180 slices, voxel size: 0:87 0:87 1:00 mm3, TR/TE: 9:9=4:6 ms),
- 3D FLAIR sequence(321 slices, voxel size: 1:04 1:04 0:56 mm3, TR/TE/TI:4; 800=279=1; 650 ms)

⚠️：训练集中场强只有3T的，而test集中，场强不仅有3T的还有1.5T的。有三个数据类型为3D FLAIR，官方对3D FLAIR做了如下操作：所有的3D FLAIR序列均以3mm厚的切片重定向横向2D。这样做有两个原因：

减轻手动标注时间
使3D FLAIR向2D FLAIR保持一致。

train and test

60 for training
110 for testing

官方的数据前处理

bias-corrected——SPM12
image registration——elastix toolbox
3D T1-weighted images were aligned with the (resampled) FLAIR images
faces of the subjects were manually removed

第4步的意义咩有搞懂，感觉没必要。

第一名处理方案

数据预处理

裁剪和padding，使所有的数据的尺寸一致（200x200）
对前景区域（3D）进行Gaussian normalization（均值方差归一化）
数据增强（旋转，仿射，尺寸）
brain mask获取（文章描述的方法-使用形态学方法太复杂，有更简单的方法可以实现去脑壳）

注意⚠️：实验证明，去掉脑壳之后再训练模型，会有效果的提升。

2D 的网络结构

输入

Flair 和T1分别作为网络输入的两个channel。网络如下图，没啥可说的。

模型融合（结果融合）

Dice loss

这里有更好的选择。

后处理

之前对数据 crop和pad了，就要返还回去
手动确定了上下假阳性的位置，此位置的预测结果给抹掉（方法有点low）。

结果还是很不错的

泛化性也不错。

[1] : Kuijf, H. J., et al. “Standardized Assessment of Automatic Segmentation of White Matter Hyperintensities; Results of the WMH Segmentation Challenge.” IEEE transactions on medical imaging (2019).
[2] : https://zhidao.baidu.com/question/1445866408559298460.html
[3] : Fazekas F, Chawluk JB, Alavi A, et al. MR signal abnormalities at 1.5 T in Alzheimer’s dementia and normal aging [J]. Am J Neuroradiol, 1987, 8: 421-426.