【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
相关医学常识
白质高信号
白质病变的特点是双侧,大多对称高强度的t2加权MRI是常见的老年人。虽然与脑血管疾病和血管危险因素密切相关,但这些白质病变的发病机制尚不清楚,可能是多因素的。Presumed vascular origin的白质高信号(WMH)是脑小血管疾病(SVD)的主要表现之一,并且在中风,痴呆和衰老中是很重要的特征表现。白质高信号有时候被认为是一种随着衰老而产生的一种正常表现,因为随着年龄的增强,每个人都会或多或少的出现白质高信号。在MRI Flair相上,wmh跟其他脑组织相比明显表现为高信号[1],如下图所示:
由上图可以看到,wmh在T1上的白质区域内为一个低信号,而在Flair上为明显的高信号。
Fazekas量表
目前临床应用广泛的有 ARWMC、Fazekas、改良 Scheltens、Ylikoski等4个脑白质病变评分量表的信度进行研究。
可认为 4个量表中 Fazekas量表最简单、易操作。而Fazekas量表只有两个项目,且每个项目的评阅方法简单,占用时间少。
Fazekas量表[3] (0~6分),将脑室旁和深部白质病变分开评分。两部分的分数相加计算总分。[2]
脑室旁高信号评分:
①0分:无病变;
②1分:帽状或者铅笔样薄层病变;
③2分:病变呈光滑的晕圈;
④3分:不规则的脑室旁高信号,延伸到深部白质。
深部白质信号:
①0分:无病变;
②1分:点状病变;
③2 分:病变开始融合;
④3 分:病变大面积融合。
一个根据Fazekas量表评分的示例:
上图为Fazekas白质病变评分MR示意图,取自阿尔茨海默病MR检查规范中国专家共识。图20-22(依次为轴面、冠状面、矢状面)为0分,图23-25(依次为轴面、冠状面、矢状面)为1分,图26-28(依次为轴面、冠状面、矢状面)为2分,图29-31(依次为轴面、冠状面、矢状面)为3分。
STandards for ReportIng Vascular changes on nEuroimaging (STRIVE)
Definitions(部分区域高信号争议)
灰质高信号或脑干高信号
是否应按常规归类为白质高信号有不同的意见,就像之前的一些研究那样。
比较一致的意见是,在皮层下灰质
或脑干病变不应包括在假定血管起源的范畴
。
白质高密度除非显式声明;我们认可皮层下高强度是一个可接受的替代术语,用于任何非皮层高强度,包括白质、深灰质和脑干。当使用CT时,由于病变在CT上的表现,可以使用白质低衰减或白质低密度。
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.
【论文阅读】WMH Segmentation Challenge 2017 及第一名解决方案相关推荐
- 论文阅读之A Challenge Dataset and Effective Models for Aspect-Based Sentiment Analysis(2019)
文章目录 前言 论文阅读 变量定义 Embedding Layer Encoding Layer Primary Capsule Layer Aspect Aware Normalization Ca ...
- [置顶]人工智能(深度学习)加速芯片论文阅读笔记 (已添加ISSCC17,FPGA17...ISCA17...)...
这是一个导读,可以快速找到我记录的关于人工智能(深度学习)加速芯片论文阅读笔记. ISSCC 2017 Session14 Deep Learning Processors: ISSCC 2017关于 ...
- 解决参考图像分割中的随机性问题:MMNet: Multi-Mask Network for Referring Image Segmentation 论文阅读笔记
解决参考图像分割中的随机性问题:MMNet: Multi-Mask Network for Referring Image Segmentation 论文阅读笔记 一.Abstract 二.引言 三. ...
- 全卷积(FCN)论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
论文阅读笔记:Fully Convolutional Networks forSemantic Segmentation 这是CVPR 2015拿到best paper候选的论文. 论文下载地址:Fu ...
- LiDAR-based Panoptic Segmentation via Dynamic Shifting Network(论文阅读笔记)
LiDAR-based Panoptic Segmentation via Dynamic Shifting Network(论文阅读笔记) 环形扫描骨干网络.动态漂移.一致性驱动的融合 一.重点内容 ...
- 【论文阅读】3D Topology-Preserving Segmentation with Compound Multi-Slice Representation
[论文阅读]3D Topology-Preserving Segmentation with Compound Multi-Slice Representation 2022年3月6日 (本文仅作为本 ...
- 【论文阅读】DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation
DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation 作者:Hao Chen Xiaojuan Qi Lequan Yu ...
- 《Segment as Points for Efficient Online Multi-Object Tracking and Segmentation》论文阅读笔记
<Segment as Points for Efficient Online Multi-Object Tracking and Segmentation>论文阅读笔记 1.介绍 2.相 ...
- PolyFormer: Referring Image Segmentation as Sequential Polygon Generation 论文阅读笔记
PolyFormer: Referring Image Segmentation as Sequential Polygon Generation 论文阅读笔记 一.Abstract 二.引言 三.相 ...
最新文章
- .NET项目修改文件夹
- 自动化部署必备技能—定制化RPM包[转载]
- python学习笔记第9天《文件的管理办法》
- 利用indent格式化源文件的脚本
- Mint-Ui的mt-search点击选中
- 基因表达聚类分析之初探SOM - 自组织特征图
- phpword这个问题的产生中国扭曲
- jmeter mysql数据库_jmeter连接mysql数据库
- Python版本微信跳一跳,软件配置
- java多线程的常用方法(以及注意事项)
- Android—Gradle教程(三)
- 大数据分析与应用(中级) 数据挖掘概念及流程
- 【云速建站如何个人备案】
- C++的一个指针占内存几个字节?
- 【干货】OJ上各种术语
- Android的六大进程
- 编程是一场漫长的修行
- 2.Prometheus读书笔记:深入Prometheus设计
- linux shell脚本传数组参数,shell脚本----函数和数组
- 男人35岁前成功的12条黄金法则