WHITE-Net : White matter HyperIntensities Tissue Extraction using deep learning Network
本文介绍了 WHITE-Net，这是一个基于 3D ResUNet 的鲁棒且可扩展的深度学习框架，该框架在多样化的多中心 MRI 数据上进行了训练，能够在无需参数调优的情况下，实现高精度、泛化性强且快速的白质高信号自动分割。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类大脑是一个由软组织构成的复杂景观，随着年龄的增长，大脑通常会形成在磁共振成像（MRI）扫描中呈现为明亮斑块的小区域。这些被称为白质高信号（white matter hyperintensities）的斑块，就像大脑布线中的微小伤痕，通常是由微细血管的逐渐磨损引起的。虽然这在老年人中是一种常见发现，并与记忆力减退和中风等状况相关，但在许多感觉完全健康的人身上也经常能看到这些斑块。对于试图理解大脑随时间如何变化的研究人员来说，计数并测量这些斑块至关重要。然而，手工进行这项工作既缓慢、乏味且不一致；一位专家可能看到了一个斑块，而另一位专家却视而不见；而且现代研究中海量的数据量使得人工计数变得不再可能。
为了解决这个问题，科学家们长期以来一直尝试构建能够自动寻找并勾勒出这些亮点的计算机程序。挑战在于，这些程序在它们所接受训练的特定类型扫描仪上表现良好，但一旦面对不同的机器或略有不同的成像方式时就会失效。由瑞士和法国研究团队开发的一个名为 WHITE-Net 的新工具旨在解决这一问题。通过训练计算机利用来自许多医院和扫描仪的海量且多样化的图像集来识别这些大脑斑块，该团队创建了一个即使在条件发生变化时也能保持准确性的系统。这种方法允许人们跨大规模人群、不受扫描地点或方式限制，以可靠且自动化的方式研究大脑健康。
研究人员使用一种通过观察数千个示例进行学习的人工智能技术构建了这个名为 WHITE-Net 的新工具。他们并没有仅用来自一家医院的图像来教导计算机，而是向其输入了来自三个不同来源的数据：洛桑的一项社区研究、一项全球阿尔茨海默病研究以及一项涉及多个国家的竞赛数据集。这些来源包括来自不同制造商、不同磁场强度以及不同年龄和健康状况人群的扫描图像。计算机学会了忽略图像外观上的差异，转而专注于大脑斑块的实际形状和亮度。结果显示，该系统可以在不到一分钟的时间内处理完整的脑部扫描，且无需进行任何手动调整或专家调优即可正常工作。
当研究团队将 WHITE-Net 与其他现有方法进行对比测试时，证明了它具有极高的稳定性。虽然一些旧程序在某个特定数据集上表现出色，但在其他数据集上却表现挣扎，而 WHITE-Net 在所有测试集中都保持了高准确度。它在避免“虚假警报”方面表现尤为出色，这意味着它很少将健康的脑组织误标为受损组织，而这是其他工具常犯的错误。该系统在处理斑块极少的病例以及损伤广泛的病例时同样表现出色。在涉及计算机从未见过的机器扫描测试中，WHITE-Net 继续保持可靠的表现，而其他方法则出现了显著的准确度下降。这表明，让这些工具在现实世界中发挥作用的关键不仅在于软件的复杂性，更在于用于教学数据的多样性。
该研究还仔细观察了这些程序如何处理不同大小的大脑损伤。研究人员发现，大多数自动化工具在识别极小斑块方面表现挣扎，经常会完全漏掉它们，或者将它们与图像中的正常噪声混淆。WHITE-Net 则更为谨慎，它宁愿漏掉一些微小的斑块，也不愿错误地标记健康区域。这种保守的方法在研究领域非常有价值，因为在计数受损区域时包含健康组织会使结果产生偏差。该工具还显示出扫描质量的重要性；模糊或带有运动伪影的图像对所有程序来说都更难读取，但 WHITE-Net 即使在这些困难条件下也比竞争对手更加稳定。
最终，这项工作证明了计算机程序可以经过训练，在各种现实世界的场景中可靠地识别大脑损伤。通过采用一种拥抱医学图像自然差异而非试图强行让它们看起来一致的方法，研究人员创造了一个已准备好进行大规模研究的工具。这意味着科学家现在可以满怀信心地分析来自世界各地成千上万人的大脑扫描图像，并确信大脑健康度的测量结果是连贯且具有可比性的。该工具现已向其他研究人员开放，为研究衰老的大脑提供了一种快速且便捷的方式，而无需专门的技术技能或昂贵的人力劳动。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。