【论文阅读】Automated quantification of white matter lesion in magnetic resonance imaging
- 2013年的一篇论文。
- 无监督白质高信号分割。
- 数据是脑梗数据(白质高信号一般较严重)。
- 第一作者是香港中文大学林石,博脑创始人。
- 该方法在验证集脑梗数据上,dice 0.836。
前言
自动分割wmh的方法:
无监督方法
WML在T2W或FLAIR中表现为高信号,启发了基于图像强度信息的WML检测方法,利用高斯函数逼近直方图的强度阈值进行WML分割。
卡阈值 (Hirono et al., 2000; Jack et al., 2001; Wen and Sachdev,
2004; de Boer et al., 2009). de Boer et al. (2009)
Wen和Sachdev(2004) 使用阈值法确定FLAIR数据中的高强度区域,并使用白质概率图对受试者图像进行映射,将WML与颅内其他区域的高强度体素分离。
除了基于阈值的方法外,还有一种基于模糊聚类的方法可以自动识别脑归一化过程中的灰质和白质病变(Seghier et al., 2008;Wilke et al., 2011)。
自动检测方法对强度不均匀性和图像质量的敏感性,以及大脑对齐图像中存在的WML是自动检测方法实现高精度的常见困难(Crinion et al., 2007;Andersen等,2010;Ripolles等人,2012)。
监督方法
基于训练的方法,如k近邻、人工神经网络、支持向量机等,已被研究用于从正常脑组织中分类。
这些方法通常需要有经验的放射科医师从训练数据集中手动标记白质病变,而分类的准确性依赖于标记的训练数据集的空间和强度信息。
由于不同MRI扫描仪获得的数据集可能具有不同的强度分布和不同的空间特征,基于训练的方法得到的结果可能不太一致。
不代表本博观点。
WML的位置可能与某些疾病有关,因此确定WML在白质各部分的位置是值得的(Benson et al., 2002)。Wu等(2006)提出使用非刚性方法从模板和受试者data配准蒙面脑,并将预定义的WM标签映射到subject脑。
然而,通过直方图分析将WML从全脑FLAIR图像中分割出来,容易被误包含灰质(GM)中出现亮的体素(voxels)
。Admiraal-Behloul等人(2005)将fuzzy C-means算法应用于PD、T2W、FLAIR序列上,首先得到粗分割结果WML,然后通过fuzzy inference system得到最终的WML。
Yang等(2010)以occurrence probability为特征来检测WMLs,并应用随机场模型来确定检测到的病变的显著性。然而,这两种方法都可能产生假阳性结果,并且需要额外的用户偏好信息或集群大小分析。
由于WMLs的形状、位置和强度各不相同,如何在MRI中对WML进行可靠、准确和自动的分割仍然是一个具有挑战性的问题。
在本文中,我们介绍了一种快速、鲁棒、全自动的计算管道,从t1加权(T1W)、FLAIR和弥散加权成像(DWI)序列的组合信息来量化WMLs。
建议在WM范围内检测WML。
- 监督方法(除深度学习)需要提取特征,特征的选择需要专业性。
- 不同机器不同参数像素强度分布不同,提取的特征之间可能会有差异。
- 如何选择特征,是个难题。
- 建议在WM中来分wml。
Data
本研究招募了91例急性梗死患者
(男65例,女26例,年龄64.43±10.54岁)。
- 73 subjects
3.0 T GE MRI scanner
and an 8-channel head coilT1W sequence
(TR = 2000 ms; TE = 9.8 ms; matrix = 432×512×24; voxel = 0.43 mm×0.43 mm×6.5 mm),FLAIR sequence
(TR =8000 ms; TE = 94 ms; TI = 2200 ms; matrix = 224×
256×24;voxel = 0.86 mm×0.86 mm×6.5 mm),DWI sequence
(TR =3000 ms; TE = 75 ms; matrix = 128×128×24; voxel = 1.8 mm×1.8 mm×6.5 mm).
- 18 subjects
3.0 T Siemens MRI scanner
and an 8-channel head coilT1W sequence
(TR = 2031.2 ms; TE = 19.5 ms; matrix = 512 ×512×23; voxel = 0.47 mm×0.47 mm×6.0 mm),FLAIR sequence
(TR =8002; TE = 123.5 ms; TI = 2500 ms; matrix = 512×512×23;voxel = 0.47 mm×0.47 mm ×6.0 mm), andDWI sequence
(TR =10000 ms; TE = 73.4 ms; matrix = 256×256×27; voxel = 0.94 mm× 0.94 mm×5.0 mm).
method
分割脑区和白质
一般分割白质的时候,使用的是T1模态,但是,白质高信号在T1上是低信号,但是信号略高于灰质。略低于白质,所有,如果直接 分白质的话,会把部分的白质高信号(靠近皮质附近)分成灰质,导致分割得到的白质区域里少了部分的白质高信号。
所以,此处使用了模态融合,T1与Flair进行像素强度上的融合。
T1先与Flair进行配准,
Vfusion=k∗VregisteredT1W+(1−k)∗VFlairV_{fusion} = k * V_{registered_T1W} + (1 - k)*V_{Flair}Vfusion=k∗VregisteredT1W+(1−k)∗VFlair
在融合图像上提取脑区mask,WM,GM,CSF。
数学形态学
图像上的展示:
方法还是非常新颖和有意思的。
形态学操作值得一试。
对特别小的白质高信号,估计没有办法进行分割,只能对大目标进行分割。
【论文阅读】Automated quantification of white matter lesion in magnetic resonance imaging相关推荐
- 【论文阅读笔记】Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Net
本文提出一种从腹部CT片中自动分割肝脏和肝脏病变的方法. 使用的数据集为3DIRCADb dataSets:http://ircad.fr/research/3d-ircadb-01 使用的神经网络库 ...
- [论文阅读] 颜色迁移-Automated Colour Grading
[论文阅读] 颜色迁移-Automated Colour Grading 文章: Automated colour grading using colour distribution transfer ...
- 【论文阅读】Systematic Comparison of Respiratory Signals for the Automated Detection of Sleep Apnea
论文阅读:Systematic Comparison of Respiratory Signals for the Automated Detection of Sleep Apnea 一.摘要 对这 ...
- [论文阅读] (17)CCS2019 针对PowerShell脚本的轻量级去混淆和语义感知攻击检测(经典)
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](7)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](7) Into the Weeds Other types of grap ...
- 【论文阅读】A Gentle Introduction to Graph Neural Networks [图神经网络入门](2)
[论文阅读]A Gentle Introduction to Graph Neural Networks [图神经网络入门](2) Graphs and where to find them 图以及在 ...
- [论文阅读] (13)英文论文模型设计(Model Design)如何撰写及精句摘抄——以入侵检测系统(IDS)为例
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
- 论文阅读:Overview of the NLPCC 2018 Shared Task: Grammatical Error Correction
论文阅读:Overview of the NLPCC 2018 Shared Task: Grammatical Error Correction 1. 引言 2. 任务定义 3. 数据 3.1 训练 ...
- 深度学习论文阅读目标检测篇(四)中英文对照版:YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
深度学习论文阅读目标检测篇(四)中英文对照版:YOLOv1< You Only Look Once: Unified, Real-Time Object Detection> Abstra ...
- [论文阅读] (23)恶意代码作者溯源(去匿名化)经典论文阅读:二进制和源代码对比
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
最新文章
- angular http demo
- zk服务器系统,windows系统搭建zookeeper服务器的教程
- VTK:网格之FitToHeightMap
- Docker 环境的快速搭建
- C++中的XML配置文件编程经验
- loinc编码_医学知识组织系统:术语与编码
- DRM HDMI 调试分析之热插拔后HDMI不输出
- java进阶之多线程二线程池
- 中药复方在治疗慢性盆腔炎上的应用
- 向量组是否相关与行列式,方程组,秩的联系。
- 搭建一个完整的实时日志统计平台
- “史上最贵”卡塔尔世界杯,有哪些炫酷的“黑科技”?
- CMMI3和CMMI5的区别
- 在Junit调试中,出现警告: Method 'public void classname' could not be resolved.并报initializationError错误
- 新概念1 课文和单词(2022/12/24)
- chrome网页F12调试快捷键
- 分子生物学 第二章 遗传物质
- 输入被除数和除数,求商
- Python使用ICC
- POJ题单及算法训练练习顺序
热门文章
- Linux下进行源码安装时如何避免找不到那些使用--prefix指定目录安装的依赖
- 使用Microsoft Word中“多级列表”功能定制文档标题的方法
- [转载]linux+nginx+python+mysql安装文档
- 网站压力测试工具webbench使用说明
- C#程序关闭时怎么关闭子线程
- hdu 1995 汉诺塔
- CSS如何让图片垂直并水平居中等比缩放?
- Oracle 数字与空值的排序问题
- EMNLP 2021 | 论辩挖掘在不同领域下的应用
- 【收藏】图解最常用的10个机器学习算法!