多模态MRI中基于简单聚类的分割和分类检测多发性硬化病变方法

医学信息学解锁20（2020）100409使用基于简单聚类的分割和分类在多模态MRI中检测多发性硬化病变Ozdemir Cetina，*，Volkan Seymenb，Unal Sakoglu ca电气工程和信息技术系，Bioinspired Communications，TU Darmstadt，Rundeturmstrasse 12，64283，Darmstadt，Germany德国北莱茵-威斯特法伦州计算机工程学院c计算机工程，休斯敦大学，Clear Lake，休斯敦，TX，美国A R T I C L EI N FO关键词：多发性硬化多模态MRI分割分类聚类A B S T R A C T背景：多发性硬化症（MS）是一种免疫介导的炎症性疾病，它攻击中枢神经系统中的有髓鞘轴突，不同程度地破坏髓鞘和轴突，导致严重的身体残疾。磁共振成像（MRI）在MS的诊断中是有用的，在预测准确性方面超过了所有其他成像技术。然而，根据病变的数量和位置，MR的成功在MS诊断的灵敏度和特异性方面可能会有很大差异。MRI数据中各种强度和残留伪影的不良影响使得计算MS病变体积以评估MS进展具有挑战性。因此，开发强大且自动化的MS病变检测方法一直是一项挑战。目的：本研究旨在开发一种新的，强大的，简单的图像分割方法，从多模态MRI数据中进行MS病变的定量分析方法：开发了一种基于监督最小欧氏距离聚类方法的算法，该算法采用三种2D MRI模式，T1加权（T1w），液体衰减反转恢复（FLAIR）和T2加权（T2w）MRI，用于对重要脑组织和MS病变进行分类。所开发的方法被应用到MRI数据集从SIXMS患者。结果：所开发的方法对各种脑组织进行分类，并检测MS病变，平均准确性和特异性超过90%，灵敏度为62%结论：使用我们提出的算法分割不同的脑组织可以获得更高的MS病变检测准确性，与文献中最近的深度学习分类结果相当1. 介绍在过去的十年中，自动或半自动图像处理和分析技术在医学成像中的使用已经增加。研究人员已经将机器学习算法应用于MRI数据集，以分析各种CNS状况[1还提出了各种分割和检测算法，用于使用各种图像处理和分析方法从MRI检测和分类MS病变[5这些算法是基于使用单一MRI模态以及使用多种MRI模态（如T1加权（T1w）、液体衰减反转恢复（FLAIR）、T2加权（T2w））开发的[8]。单模态方法可用于将大脑分割成基底区域，例如白质（WM）、灰质（GM）和CSF。相比之下，多模式方法已经被更多的人所偏好鲁棒的病变检测，尽管获取多模态MRI数据的成本增加。仔细分析MRI数据对于检测MS病变非常重要。MRI数据中的不均匀强度、检测和确定真实病灶数据中的专家内和专家间变异性以及手动分割过程的耗时和主观性使得建立用于检测和量化MS病灶的稳健分割方法具有挑战性[9]。因此，自动检测和分割 多发性硬化病变的诊断和随访已成为临床实践中的一个重要挑战。自动MS病变分割方法通常分为两个主要类别：监督和无监督。辅助方法根据预先确定的、标记的地面实况数据运行训练过程，这些数据是在域* 通讯作者。 Rundeturmstrasse 12，64283，Darmstadt，Germany.电子邮件地址：oezdemir. bcs.tu-darmstadt.de（O.Cetin）。https://doi.org/10.1016/j.imu.2020.100409接收日期：2020年2月20日;接收日期：2020年7月22日;接受日期：2020年2020年8月5日网上发售2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuO. Cetin等人医学信息学解锁20（2020）1004092=×××专家相比之下，无监督方法在训练过程中没有先验知识。使用监督方法的最大原因是训练数据集具有非常有用的信息。在医学图像分类中，监督方法的任务需要预处理（例如，强度和空间归一化、颅骨剥离）、特征选择、分类和后处理。文献中提出了各种自动MS病变检测方法[10，11]。研究人员执行了一种基于MR图像中的强度归一化和体积减影的自动算法，以检测MS病变[12]。在一项研究中，使用基于能量最小化的自动方法从多模态MR图像（T1w、FLAIR、T2w）中检测到MS病变[13]。在另一项工作中，研究人员介绍了一种基于支持向量机（SVM）的全自动分割方法和一种基于水平集的主动计数器算法，用于对MS病变进行分类[14]。在另一项研究中，引入了基于约束高斯混合模型（GMM）的自动算法，其中假设组织强度为具有不同参数的高斯分布，以检测MS病变[15]。在其他文献中，利用FLAIR MR图像中的强度值将脑组织分割为GM和WM，并使用基于模糊的方法对MS病变进行分类[16]。研究人员还使用了基于T1w、T2w和质子密度（PD）MRI的模糊分类器和证据推理方法来分割分割WM、GM、CSF和MS病变[17]。最近，基于深度神经网络学习的方法也已被利用;例如，Gabr等人将使用卷积神经网络（CNN ）的深度学习方法应用于多模态MRI（FLAIR、PD、T2 w和T1 w MRI），从超过1000名患者到相当多的患者。成功分割GM、WM、CSF和MS病变，准确性良好(82%，平均值）。在本文中，我们介绍了一种新的和简单的方法，MS病变分割，以及分割的GM，WM，CSF，骨骼和皮肤，使用三种MRI模式，T1w，FLAIR和T2w。与文献中的相似，我们在没有使用任何大脑提取方法的情况下将大脑分割为这六个类别。根据现有研究，脑提取方法通常用于从MRI图像中去除非脑组织[18]。这个过程中的主要挑战是由于大的强度差异而导致的脑组织和非脑组织的分割，这通常需要将单个脑MRI数据扭曲为公共模板MRI数据集，这具有其自身的挑战。在我们的工作中，我们使用监督分类，利用地面实况由神经科学专家医师手动描述MS病变数据。采用FLAIR（FL）序列对病灶进行勾画，并与FL和T2w序列进行配准。数据集被分成几个随机的训练集和测试集，反复重复。使用训练集和MS病变的地面实况对学习模型进行训练，并在测试数据集上进行评估。对MS病变分割图像的准确性进行了评估。本文其余部分的结构如下;材料和方法在第2节中介绍。在第三节中，展示了实验研究。在第4节中，该方法的性能评估使用测量指标进行评估，并进行讨论。结论和讨论见最后一节第4节。2. 方法2.1. 参与者和数据在这项研究中，T1w、FLAIR（FL）和T2w MRI数据使用通用电气（GE）1.5T MR扫描仪（GE，通用电气公司，纽约市，纽约州）从MS患者中采集。 数据收集在Sakarya大学医学院完成，由机构伦理委员会批准，并于2016年获得参与者的书面同意。采集了所有三种MRI模式使用具有5mm切片厚度的尺寸512 512 20，连续扫描，并且共配准。排除了在三种MRI模式内或之间过度运动的参与者，也排除了患有任何其他神经系统疾病（如脑肿瘤）的参与者。根据排除标准，9名患者中有6名获得了可用的MRI数据，年龄在20 - 38岁之间，其中4/6为女性。如图1所示，FL和T2w模式可清楚区分活动性MS病变。每个MRI模态20个切片，每个参与者的数据产生60个切片的MRI数据。总的来说，数据集有6名参与者的360个MRI切片。2.2. 培训和测试数据集的组织共考虑了六个类别，五个解剖学脑类别，WM，GM，CSF，骨（BN），皮肤（SK）和MS病变进行分类。神经科医生通过点击并记录属于六个类别中的每一个类别的体积元素的坐标，使用每个参与者的三种MR数据模态，为六个类别中的每一个类别提供30个样本（体积元素）作为基础事实。使用两种在50/50交叉验证方法中，分别通过选择6名患者中的3名患者作为训练集和剩余3名患者作为这导致了（6，3）20个模型（在LOO方法中，来自5/6名参与者的数据被用作训练数据集，剩余患者对于20模型方法，该方案导致每个模型的180个切片用于训练，180个切片用于测试6模型（LOO）方法为每个模型产生300个训练切片和60个测试一旦使用地面实况标签基于训练数据确定了学习模型的参数，就在测试参与者上测试每个建立的模型对于每个训练模型，测试数据集用于评估所提出的方法的性能。2.3. 建议的分段方法在这项研究中，我们提出了一个简单的基于特征的监督学习算法的病变分割在2D MRI数据。在开发过程中，我们必须考虑两个困难：i）大脑部分和病变之间的强度值接近，ii）MR图像的不均匀性。首先，我们利用多模态MRI数据，因为单独使用模态检测病变会导致分类性能较差。例如，在FL和Tw2中，MS病变强度值分别非常接近颅骨和GM的病变强度值（图1）。使用多模态三维信息的体积的强度提供了更高的准确性，用于分类的组织类别的体积是长。换句话说，体积强度不是通过使用简单的一种MRI模态来描述的，而是通过使用三种模态，即T1w、FL和T2w来描述的。为了减轻MR图像的（受试者间）异质性，通过使用z评分标准化对所有三种MRI模态进行强度标准化。其次，在六个解剖/组织类别（包括MS病变）的样本坐标处获得三种MRI模态中每一种的强度归一化信号值，这些样本坐标由神经科医生手动确定（每种MRI模态，每名参与者，每种类别30个样本）。作为第三个和 最后一步，使用地面实况信息通过计算63均值/质心矩阵X（对应 三种MRI模态的强度归一化值），对于six个类别，每个模型（20个在对于每个模型，在强度归一化之后，剩余（测试）数据的每个体积基于其与不同类别的质心矩阵值的最小欧几里得距离被分类为属于六个将MS病变的分类结果与真实病变描述进行比较。 分类O. Cetin等人医学信息学解锁20（2020）1004093⎛⎝⎞⎠p∑1=（x，y）=J⋮lm1⋮lm2⋮lm3⋮lm1⋮lm2⋮ ⋮lm3vm4图1.一、具有MS 病 变的脑切片的 MR 图 像 。（a）T1w，（b）T2w，（c）FL。病变在FL图像中更加明显性能指标，准确性，灵敏度，特异性，和假阳性率（FP）计算，以评估所提出的方法的性能。该方法的主要步骤概述见图10。 二、在六个类别中。最后，为每个参与者构建了SIXFL基于图像的GT矩阵（每个类别一个）。在下一步骤中，属于每个类别的体素的坐标从GTm导出作为位置矩阵X（Lm）。位置矩阵X可以被定义为，2.3.1. 地面实况数据集的构建和质心计算尽管MS病变主要位于WM中，有时也位于GM组织中，但任何MS病变分类算法仍然可以发现假阳性。LM第11章L1213岁（2）由于图像的其他解剖部分中的相似性[19]《易经》中的“道”。因此，进一步分割脑组织（如WM、GM和CSF）对于通过排除其他解剖位置来细化仅限于GM和WM的MS病变分类非常重要。在我们的研究中，我们还将WM和GM的分割纳入我们的分类。一般来说，“剥头骨” 和/或 “大脑 提取” 技术 已其中，Iij表示坐标。重要的是，应采用与每个MRI模态中同一位置对应的体素强度。Lm用作脚本的输入，该脚本从T1w和T2w MR图像中提取强度值以创建地面实况数据集（GTD）（图1A）。（见图5） 6）。为了分割WM、GM和CSF，需要从MRI图像中去除非脑组织，特别是如果只有一种或两种MRI模态的MRI数据可用。在这项工作中，MRI数据GTD=v11的v12v13⋮ ⋮ ⋮ εvm1vm2 vm3Rm×3（3）没有我们的方法的一个显著优点是我们在单个步骤而不是多个步骤中对MS病变和其他病变进行分类，即，而不是先分割WM、GM和CSF，然后再分别分割MS病变（见图1）。 3）。由接受过MS培训的神经科医生对每名参与者的FL图像进行6个区域的手动标记/描绘，同时还使用T1 w和T2 w图像作为视觉指导。 在任务结束时，每个参与者获得了6个地面实况矩阵。每个地面实况矩阵由六个不同的脑组织组成（即，WM、GM、MS病变、CSF、BN和SK），每个类别有30个采样的真实强度值，使用强度标准化MRI数据，如下所述。对于每一个SIX类别，使用FL模态作为主要指南记录30个样本体积的X该任务在A1-出租1中总结并在图4中可视化，构成了180 × 4的地面实况矩阵（GTm），其可以表示如下，其中，m表示来自每个模态的每个类别的强度值的体积的数量，并且3是MR模态的数量。根据Lm采集T1w和T2w图像中位于相同位置的体素的归一化强度值。在这一过程结束时，为每一类别建立了一个30乘3的地面实况数据矩阵。对于MS病变类别，神经科学家描绘的病变导致远多于30个体积;然而，仅随机抽样30个MS病变体积以具有平衡的类别标签。对每个参与者重复该方案;因此，在地面真值表创建结束时获得了SIXGTD过程之后，我们根据GTD的组合创建了训练数据集，这些GTD来自图7描述了哪些参与者用于每个训练和测试迭代和模型。在获得训练数据集后，计算训练数据集中各体元的质心，生成质心矩阵。为此，在训练数据集中对每个MR模态的每个类别进行平均。因此，基于其在地面实况矩阵中的相关联体素位置来计算每个组织的分布的质心每个质心矩阵X是6乘3，因为有six个类别，三种MR模式。质心矩阵X的列表示模态GTM⎛⎝li1li2li3vi4⎞⎠ε（1）而行指示来自每三个参与者的类别（图8）。也就是说，通过在学习任务中完成平均计算，其中，li 1 li 2 li 3表示样本voX eli的（x，y，z）坐标，并且表示样品的归一化强度Vo× E1。图图4示出了参与者#1的标记过程的示例CM的每一行都属于其中一个类别，与相应的颜色的图像在即将到来的数字（见图。 9）。矩阵X的每个元素使用等式（1）计算（4）.(part#1）。 当所需的c每个类别的样本（我们的研究中有30个）已经完成。”于是，张文。一个类别的GTm的大小是30乘4。该脚本是为所有Ss×p1∑（vi）（4）1R=RO. Cetin等人医学信息学解锁20（2020）1004094图二. 研究流程图其中c表示质心矩阵X的元素，s是训练数据集中的参与者的数量，p表示来自每个参与者的每个类别的样本数据点的数量，并且v是每个数据点的强度值。在这种情况下，s和p的值是3和30，分别对于所有不同的模型（更正确地，模型的每次迭代）重复质心的计算，每个模型对应于不同的训练集（再次，对于50/50分裂，模型的20次不同迭代，并且对于LOO分裂模型，模型的6次不同迭代O. Cetin等人医学信息学解锁20（2020）1004095图三. 算法1：创建地面真值矩阵X和位置矩阵X。图四、 构建地面实况矩阵：使用部 件 #1 的 FL图像创建GTm。图五、 根据GTm构建部件#1的MS病变GTD。O. Cetin等人医学信息学解锁20（2020）1004096图六、 算法2：创建地面实况数据集。图7.第一次会议。每次 模 型 迭 代 的参与者名 单 ：（a）20个模型（50/50分割），(b)6-模型（LOO分割）。模型）。对于每次迭代，一旦计算了质心，则根据等式2，使用欧几里得距离将剩余参与者（测试数据集）的每个体积分配给最近的质心（5）、d（P，P）=0.̅ P- P) 2 + .̅P-P)2+.̅P̅-P̅̅)̅2̅见图8。 用于创建质心矩阵（CM）的平均值计算。模型，以便使用六个距离测量中的最小距离将一个VOXEL结果，为每个测试参与者形成了六个类别2.3.2. 使用椭圆体使用椭圆体区域来消除假阳性MS病变病例可以被认为是基本的形态学图像处理操作。使用形态学操作评估病变大小和位置的图像处理方法可用于消除分割步骤后的不适当病例。在这种情况下，我们使用了一个简单的基于椭圆体的形态学消除过程，以减少在确定可能发生病变的感兴趣区域后的假病变阳性[21]。在我们的病例中，根据参与者的大脑大小调整长轴和短轴的长度，使用以3D成像矩阵为中心的椭圆形掩模来识别假阴性MS病变病例考虑到病变主要存在于WM中，采用包围WM的椭圆体来忽略其他位置上的感知病变。我们的分类算法在该椭圆之外发现的任何病变都不标记为病变，以减少任何虚假假阳性的数量。在这项工作中，对MS病变进行分类的另一个标准是， 轴向切片中病变的大小至少为3 mm。此外，如果被归类为病变的区域不与WM相连分类为病变。2.3.3. 评价的 实验/算法 结果 相比 与 人员CVV（ T1w）C（ T1w）V（ FL）C（ FL）V（ T2w）C（ T2w）（五）神经科专家提供的手动分割（地面实况）使用定量度量来评估分类性能。为此，计算了以下准确度指标：真阳性其中，Pc表示质心点，而Pv表示voX el数据点（信号强度归一化后的所有值）。因此，从基于训练（TP）和假阳性（FP）分别表示准确和不准确地分配为病变的体积的数量;真阴性（TN）和假阴性（FN）分别表示准确和不准确地分配为非病变的体积的数量。由于最小O. Cetin等人医学信息学解锁20（2020）1004097见图9。测试数据集上每个模型的分割结果。显示了20个模型的准确性、灵敏度、特异性（a）和假阳性率与骰子相似性（b），每个模型都使用三个参与者的GTD组合进行训练请注意，FPR与DSC为0.7。可接受的病变尺寸为3 mm或更大，并且由于病变体积的总数与全脑体积相比很小，因此基于灵敏度的性能测量可能受到负面影响[22]。在这项工作中，真阳性率（TPR）和假阳性率（FPR）被认为是基于敏感性的措施。对于在早期疾病诊断中起重要作用的小病变，这些在衡量算法的准确性方面更敏感。灵敏度也被称为真阳性率（TPR）或召回率，其测量了通过算法在所有“感知”的MS病变中仅成功分类的MS病变的百分比。通过将真阳性除以真阳性和假阴性之和来计算灵敏度[23]。特异性，也称为真阴性率（TNR），描述了正确识别的实际阴性。它是通过将真阴性除以真阴性和假阳性之和来计算的我们还计算了总体准确性，即TP和TN之和与所有结果的比值最后，骰子相似性系数（DSC）也是一个有用的度量，它测量两个集之间的重叠，地面实况集（划定体积）和由算法分类的集。DSC返回0到1的值范围，其中0表示两个集合之间没有空间重叠，1表示绝对一致。根据文献，可接受的DSC评分为0.7或更高[24]。所有评价指标总结见表1。3. 结果大脑的结构适度成功地分为六个类别（即，GM、WM、MS、CSF、BN和SK）。我们评估了50/50交叉验证模型，O. Cetin等人医学信息学解锁20（2020）1004098+FN+FP+ FN表1研究中使用的评价指标度量度量表示值而6个LOO模型（图10-a）的平均测量值分别为0.90、0.65和0.91。这些结果证实，平均准确度和特异性始终超过特异性TNRTN=TN+ FP‘0’ is bad, ‘1’ is90%;然而，总体平均特异性约为62%-65%。在所有20个模型中，FPR的范围从0.006到0.23（图1）。 9-b）和精度ACC=TPTP+ TN‘0’ is bad, ‘1’ is0.01至0.25（所有六个型号）（图 10-b）。DSC的范围也从0.14假阳性率F+PTN+FP+ FN=FP+ TN‘0’ is good, ‘1’ is在所有20个模型中从0.04到0.62（图9-b），在所有20个模型中从0.04到0.71（图9-b）， 所有六个型号（图 10-b）。实现了我们提出的方法的DSC分数灵敏度TPR=TPTPDice SimilarityDSC=2*TP2*TP‘0’ is bad, ‘1’ is‘0’ is bad, ‘1’ is特别是对于SIX模型，当与文献中的许多最近的研究相比时是非常令人满意的。例如，在MICCAI 2016数据库中，健康专家的DSC成功率为0.782。然而，在同一数据库中，研究人员使用他们的方法获得了0.591DSC评分[25]。剩余三个参与者的数据集（six中的三个）和使用剩余参与者的数据集（six中的一个参与者）的LOO模型（如图10所示）。 7）。总体而言，本节计算并报告了分类准确度、灵敏度、特异性、FPR和图图9和图10示出了交叉验证方法、20-模型50/50分割）和6-模型（LOO分割）交叉验证的性能分数。20个模型的总体平均分类准确度、灵敏度和特异性（图9-a）分别为0.90、0.62和0.92，此外，我们的方法具有较低的计算复杂度，以及高分的结果。即在一台廉价的通用个人计算机上，可以在32秒内有效地完成所有被试的分割。与表2中的类似研究相比，所提出的方法总的来说，主要分类性能指标，如图1和图2所示。9和10的实验结果表明，该算法具有较好的分类性能。见图10。每个模型的一次遗漏方法结果。显示了六个模型的准确性、灵敏度、特异性（a）和假阳性率与骰子相似性（b），每个模型使用五个参与者的GTD请注意，FPR与DSC为0.8。O. Cetin等人医学信息学解锁20（2020）1004099表2建议方法与现有研究的比较列表MRI模态方法/方法计算效率骰子相似度在这种背景下，我们提供了用于MS病变分割的快速、高性能但简单且直接的模型。我们的模型一致达到90%以上的整体平均分类准确性时，地面实况MS病变位置信息进行评估怎么-T1-w、T1-w Gd、T2-w、T2-FLAIR、PD-wT1-w、T2-w、T2- FLAIR、PD-w数据驱动[26]中0. 340[27]第27话最后一句然而，尽管模型获得了高特异性（平均高于90%），但它们导致中等灵敏度（百分比62%-65%），这是相当困难的。 常见于 自动化 MS病变 侦测 而且我们的该方法虽然计算量很小，但结果令人满意T2-w，PD-w数据驱动型[28]低0.620复杂性，没有的需要为培训复杂的机器T1-w、T2-w、T2- FLAIR、PD-w[29]第29话最后一次学习模式T1-w、T2-w、T2-FLAIR 50/50分割法本研究LOO分割法4. 讨论和结论高0.620高0.710为了评估分割和分类方法的性能，定性评估以及定量评估也很重要。我们展示了从两个选定的代表性模型中的两名参与者获得的一些定性结果：一个代表性的，其导致最佳MS病变检测灵敏度，而另一个具有最差的灵敏度，见图11。图中的第一行和第二行对应于最佳模型和最差模型的结果在这项研究中，我们开发并评估了一个监督模型，该模型使用了一个简单的基于最小欧氏距离的分类，使用了来自三种MR成像模式T1w、FL和T2w的z分数归一化信号强度。使用三种MRI模式，我们证明了多模式方法的优势，使用更传统的方法分割MS病变。我们发现，由于强度相似，在T2w模态中，一些病变可能被混淆为GM的一部分，因为各种研究也在文献中指出了这个问题[8，13]。特别是，当MS病变部分累及WM和GM时，观察到大部分差异。此外，这里的多模态方法允许通过丰富特征空间来辨别不同的脑组织和MS病变。尽管许多研究已经利用了基于机器学习的MS病变分割和分类，但仍然需要简单的、有监督的方法，其可以潜在地导致更高的病变检测准确性，具有更好的灵敏度和特异性在这分别可以注意到，最佳模型错误地将健康组织的少量体积标记为病变，但以高准确度检测病变。与最佳模型不同，最差模型不能以高精度检测病变，并将几个健康WM区域标记为病变。在图11（b）和（e）中，病变被着色为绿松石色（在彩色图中编号为3）。根据方法章节中描述的附加标准，如果绿松石色体积与蓝色（WM）体积具有连通性，则将其归类为病变否则，那些（即，连接到黄色或深蓝色体积）被忽略（不认为是MS病变）。我们应该提到的是，分类算法的结果在很大程度上取决于参与者之间MS病变进展的差异。我们有一个有限的可行数据集，只有6名参与者，他们的MS疾病进展阶段差异很大，这导致了结果的差异。受试者1至6的真实MS病变体积的数量分别为2352、1988、20，940、22，393、4126和22，393。图十一岁最佳和最差模型的分类/分割结果的可视化示例（根据灵敏度）。（a）和（d）具有带有ROI的原始图像(b) 以及（e）具有椭圆掩模的详细图像。(c)以及（f）具有地面实况和算法结果的交集的二进制图像。第一行表示性能最好的模型（模型#16，部件#1），而第二行表示性能最差的模型（模型#3，部件#4）。O. Cetin等人医学信息学解锁20（2020）100409107362，分别。值得注意的是，我们相对简单的方法的MS病变分类性能结果可以与文献中使用更复杂和计算要求更高的技术（使用深度学习和大型数据集）发表的一些最新发现进行比较[8，30，31]。我们的方法敏感性中等偏低的主要原因是我们的病例数量较少，以及受试者之间进展/分期和病变大小的变异性较高。总体而言，主要分类性能指标（准确度、灵敏度、特异性、FPR、DSC）表明，所提出的算法在检测MS病变时仍能提供令人满意的分类性能结果。然而，由于结果中相对适度较低的灵敏度，可以通过包括具有增加的MS患者数量的较大数据集来改进所提出的算法。从更多的MS患者收集更多的真实样本，建立更大的数据库，即使用更多数量的参与者和更大的数据样本训练和测试算法，将导致MS病变分类性能的更高准确性和更小的变异性。除了欧几里得距离之外的更复杂的距离度量可以是用于通过考虑不同组织类别和病变之间的方差和协方差的差异来提高性能。建立来自较大参与者样本的样本数据库将进一步允许我们微调模型以学习组织特异性概率分布的协方差结构，并增强强度归一化质心和基于距离的分类的计算，因为然后可以使用Mahalanobis距离度量。此外，它将使训练模型更适用于MS患者群体。在这项研究中，我们还使用以下约束条件改进了我们简单的基于欧几里得距离的监督分类：轴向切片上的最小病变直径为3 mm，被视为MS病变，将病变限制为连接到WM分类区域或在WM分类区域内，并将病变限制在以成像矩阵中心为中心的椭圆体内，其大小由大脑大小调整。椭圆体的大小是以监督的方式手动设置的;然而，对于较大的数据集，这种调整也可以很容易地自动化，这可能是一个进一步研究的问题。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢通讯作者要感谢Heinz Koeppl教授和Tim Prangemeier博士的支持。Ozdemir Cetin和Volkan Seymen在数据采集时在Sakarya大学工作。Ozdemir Cetin由亚历山大·冯·洪堡基金会和黑森州高等教育，研究和艺术部支持。Unal Sakoglu由UHCL支持。引用[1] Sakoglu U，Pearlson GD，Kiehl KA，Wang YM，Michael AM，Calhoun VD.评估动态功能网络连接和任务调制的方法：应用于精神分裂症。Magma Magn ResonMater Phys Biol Med 2010;23：351-66.[2] [10]李文，李文.从功能性磁共振成像数据中对可卡因依赖参与者进行动态功能连接的分类。 J Neurosci Res 2019;97：790-803.[3] 2006年10月27日，李文龙，李文中枢神经系统疾病转化神经影像学的范式转变。生物化学药理学2011;81：1374-87。[4] Sakoglu U，Michael A，Calhoun V.精神分裂症患者与健康对照的动态功能网络连接分类。神经影像2009;47：S39-41。[5] Admiraal-BehloulF，van den Heuvel DM，Olofsen H，van Osch MJ，van derGrond J，van Buchem MA，Reiber JH.老年人MR图像中白质高信号的全自动分割。神经影像学2005;28：607-17.[6] Khastavaneh H，Ebrahimpour-Komleh H.基于神经网络的学习核用于磁共振图像上多发性硬化病变的自动分割。J Biomed Phys Eng 2017;7：155-62.[7] [10] KloppelS，Abdulkadir A，Hadjidemetriou S，Issleib S，Frings L，ThanhTN，Mader I，Teipel SJ，Hull M，Ronneberger O. MRI数据中白质病变检测的不同自动化方法的比较。神经影像2011;57：416-22.[8] Gabr RE，Coronado I，Robinson M，Sujit SJ，Datta S，Sun X等人使用全卷积神经网络进行多发性硬化症的脑和病变分割：一项大规模研究。Mult SclerJ2019. https://doi.org/10.1177/1352458519856843.[9] Cuadra MB，Cammoun L，Butz T，Cuisenaire O，Thiran J-P.T1加权MR脑图像中组织建模和统计分类方法的比较和验证。 IEEE Trans Med Imag2005;24：1548-65.[10] Danelakis A，Theoharis T，Verganelakis DA.磁共振成像中自动多发性硬化病变分割技术的调查。 计算医学图像图2018;70：83-100。[11] Llado X，Oliver A，Cabezas M，Frei X enetJ，Vilanova JC，Quiles A，VallsL，Ramio-Torrenta L，Rovira A.脑MRI中多发性硬化病变的分割：自动化方法的综述。Inf Sci2012;186：164-85.[12] CrimiA，CommowickO，Fer'eJC，MaaroufA，EdanG，BarillotC. 临床孤立综合征患者病变模式的半自动分类。2013年IEEE第10届生物医学成像国际研讨会;2013年。p. 1102- 5[13] 高杰，李春.基于能量最小化的多通道MRI脑白质病变自动分割。2013年第七届国际图像和图形会议; 2013年。p. 901- 4[14] Roy PK，Bhuiyan A，Ramamohanarao K.利用纹理特征和支持向量机自动分割增强flair mri中的多发性硬化病灶。 IECHO Image Proc 2013：4277-81.[15] 张晓刚，张晓刚，张晓刚. 使用约束GMM和曲线演化的多发性硬化病变检测。IntJ Biomed Imag 2009;2009.[16] Bijar A，Khayati R，Benavent AP.磁共振脑图像中多发性硬化病变的模糊分割。2012年第25届IEEE计算机医疗系统国际研讨会（CBMS）; 2012。p. 一比四[17] Hongwei Z，Basir O.使用模糊和证据推理的自动脑组织分割和MS病变检测。在：第10届IEEE电子、电路和系统国际会议，2003年ICECS 2003会议录，第3卷;2003年。p. 1070- 3[18] KalavathiP，Prasath VS. 磁共振头颅扫描图像的颅骨剥离方法综述。J DigitImag 2016;29：365-79.[19] 杨伟杰，王伟杰，王伟杰.基于EM算法的脑MRI分割和病灶检测。载：世界科学、工程与技术学会会刊：citeseer; 2006。p. 1307-6884。[20] Shah M，Xiao Y，Subbanna N，Francis S，Arnold DL，Collins DL，Arbel T.评价多发性硬化患者脑MRI的强度正常化。医学影像分析2011;15：267-82。[21] Kaunzner UW，Gauthier SA. MRI在多发性硬化症评估和监测中的应用：最佳实践的更新。 Therapeut Adv Neurol Dis 2017;10：247-61.[22] [10] Geremia E，Clatz O，Menze BH，Konukoglu E，Criminisi A，Ayache N.多通道磁共振图像中MS病变分割的空间决策森林。神经影像2011;57：378-90。[23] García-Lorenzo D，Francis S，Narayanan S，Arnold DL，Collins DL.多发性硬化白质病变常规磁共振成像自动分割方法的回顾。 医学影像分析2013;17：1-18。[24] BartkoJJ 测量和可靠性：统计思维的考虑。Schizophr Bull 1991;17：483[25] McKinley R，Gundersen T，Wagner F，Chan A，Wiest R，Reyes M. Nabla-net：一种用于生物医学图像分割的深dag-like卷积架构：在多发性硬化症白质病变分割中的应用。在：MSSEG挑战程序：使用数据管理和处理基础设施的多发性硬化病变分割挑战，卷。37 ; 2016年。[26] Santos MM，Diniz P，Silva-Filho AG，Santos WP.针对2016年MS细分挑战的以评估为导向的培训策略。在：使用数据管理和处理基础设施的多发性硬化病变分割挑战的第一次MICCAI挑战会议记录-MICCAI-MSSEG; 2016年。p. 57比62[27] [10]张文辉，张文辉.双回波MR成像中多发性硬化病变分割的半自动方法：在多中心背景下的应用。美国神经放射学杂志2016;37：2043-9。[28] Andermatt S，Pezold S，Cattin PC.使用多维门控复发单位自动分割多发性硬化病变。In：International MICCAIbrainlesion workshop. Springer; 2017.p. 31比42[29] [10]张文辉，张文辉.联合强度融合图像合成应用于多发性硬化病灶分割。In：International MICCAI brainlesion workshop. Springer; 2017. p. 43比54[30] SalemM，Valverde S，Cabezas M，ParetoD，OliverA，SalviJ，Rovira A`，Llado'X.使用编码器-解码器U-NET在MRI中合成多发性硬化病变。IEEEAccess 2019;7：25171-84.[31] [10]李国忠，李国忠. 深度学习，多部位MS病变分割：两步强度标准化和广义损失函数。在：ISBI 2019 - IEEE生物医学成像国际研讨会。威尼斯，意大利：IEEE; 2019。p. 1.一、