Subthalamic Nucleus segmentation in high-field Magnetic Resonance data. Is space normalization by template co-registration necessary?

深度脑部刺激（Deep Brain Stimulation，DBS）是减轻晚期帕金森病（Parkinson's Disease，PD）症状最成功的方法之一。这是一项需要详细的术前病人研究的精细外科手术。高场磁共振成像（Magnetic Resonance Imaging，MRI）已经证明了它比低场图像更能够捕捉到亚丘脑核（Subthalamic Nucleus，STN）的细节，而STN是PD中DBS的主要目标。在这里，我们介绍了两种不同的深度学习（Deep Learning，DL）自动分割架构的性能比较，一种基于大脑模板的配准，另一种在MRI采集本地空间中进行分割。该研究基于公开可用的高场7特斯拉（Tesla，T）脑MRI数据集，包括T1加权和T2加权序列。在两种架构的分割步骤中都使用了nnUNet，而数据的前后处理管道有所不同。评估指标表明，直接在本地空间中进行分割的性能对于STN分割来说更好，尽管对于其他分析结构（红核（Red Nucleus，RN）和黑质（Substantia Nigra，SN））没有显示出与基于模板的方法相比的任何优势。

比较两种不同的深度学习自动分割架构在高场磁共振成像中的表现，以解决帕金森病患者深脑刺激手术前的脑部结构分割问题。

本论文提出了两种不同的深度学习自动分割架构，一种基于脑部模板的配准，另一种在MRI采集本地空间进行分割，结果显示直接在本地空间进行分割的方法对STN分割效果更好。

论文使用高场7 Tesla(T)的T1加权和T2加权MRI数据集，采用nnUNet进行分割，两种架构的预处理和后处理流程不同。实验结果表明，直接在本地空间进行分割的方法对STN分割效果更好，但对于其他分析结构（红核和黑质）则没有优势。论文提供了开源代码。

最近的相关研究包括使用其他深度学习架构进行脑部结构分割，以及通过改进配准方法提高分割效果。