Quantifying white matter hyperintensity and brain volumes in heterogeneous clinical and low-field portable MRI

脑萎缩和白质高信号区（WMH）是确定脑血管疾病和多发性硬化症中脑损伤的关键神经影像特征。自动分割和量化是理想的，但现有方法需要具有良好信噪比（SNR）的高分辨率MRI。这排除了将其应用于临床和低场便携式MRI（pMRI）扫描，从而阻碍了萎缩和WMH进展的大规模跟踪，特别是在pMRI潜力巨大的未开发地区。在这里，我们提出了一种方法，可以在任何分辨率和对比度（包括pMRI）的扫描中分割白质高信号区和36个脑区域，而无需重新训练。我们展示了在六个公共数据集和一个私人数据集上的结果，其中包括高场和低场扫描（3T和64mT），我们在两个场强下估计的WMH（$\rho$=.85）和海马体体积（r=.89）之间达到了强相关性。我们的方法作为FreeSurfer的一部分公开提供，网址为：http://surfer.nmr.mgh.harvard.edu/fswiki/WMH-SynthSeg。

论文旨在解决低分辨率和低信噪比的MRI扫描图像中自动分割和量化脑部结构的问题，以便跟踪脑萎缩和白质高信号的进展。

论文提出了一种方法，可以对任何分辨率和对比度（包括便携式MRI）的扫描图像进行白质高信号和36个脑区的分割，而无需重新训练。

论文使用六个公共数据集和一个私人数据集进行了实验，其中包括高场和低场扫描的对比。作者在不同场强下的WMH和海马体体积之间获得了很强的相关性。作者的方法已经作为FreeSurfer的一部分公开发布，并且开源。

在该领域的相关研究包括：1）使用深度学习进行MRI图像分割的研究；2）基于机器学习的脑部结构分割方法的研究；3）MRI图像处理中的其他自动分割和量化方法的研究。