Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT

手动分割医学图像需要大量的人力，并且对于对比度或分辨率较差的图像尤其具有挑战性。疾病的存在进一步加剧了这一问题，增加了自动化解决方案的需求。在这方面，SynthSeg是一个强大的深度学习模型，旨在自动分割各种对比度和分辨率的大脑。本研究使用多中心数据集对SynthSeg鲁棒性大脑分割模型在计算机断层扫描（CT）上进行了验证。收集了260对CT和磁共振成像（MRI）的开放访问数据集，这些数据集来自于在5个中心接受放射治疗的患者。使用Freesurfer成像套件的SynthSeg模型获得了CT和MRI的大脑分割。这些分割使用Dice分数和Hausdorff 95距离（HD95）进行比较和评估，将基于MRI的分割视为基本事实。基于自动化质量控制（QC）分数，排除未达到性能标准的大脑区域。Dice分数表明中位重叠率为0.76（IQR：0.65-0.83）。中位HD95为2.95毫米（IQR：1.73-5.39）。基于QC分数的阈值处理将中位Dice提高了0.1，中位HD95提高了0.05毫米。与MRI检测到的与性别和年龄有关的形态学差异也在CT上复制，CT和MRI之间的性别结果差异约为17％，年龄结果差异约为10％。SynthSeg可用于基于CT的自动大脑分割，但仅适用于精度不是关键的应用。综合QC分数显示，CT的性能低于MRI，但可以通过基于QC的阈值处理排除低质量的分割。此外，鼓励进行基于CT的神经解剖学研究，因为结果显示与MRI发现的性别和年龄分析相关性相似。

论文旨在验证SynthSeg模型在计算机断层扫描（CT）上自动分割脑部的鲁棒性，并探讨其在性别和年龄相关性分析方面的应用。

SynthSeg模型是一种用于自动分割脑部的深度学习模型，可以在不同对比度和分辨率下进行分割，但其在精度方面不如磁共振成像（MRI），需要进行质量控制。

论文使用了一个包含260个CT和MRI的数据集进行实验，并使用Dice分数和Hausdorff 95距离进行评估。实验结果表明，使用QC分数进行阈值处理可以提高分割精度。此外，论文还发现，CT和MRI在性别和年龄相关性分析方面具有相似的结果。需要进一步研究CT在神经解剖学研究中的应用。

最近的相关研究包括使用深度学习模型进行医学图像分割的研究，如U-Net和SegNet等。