FeTA2024——胎儿组织分割和生物测量

医学处理分析专家

发布于 2024-06-05 08:43:16

3100

今天将分享胎儿组织分割和生物测量完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、FeTA2024介绍

先天性疾病是全球婴儿死亡的主要原因之一。胎儿脑部宫内 MRI 已开始成为研究先天性疾病胎儿神经发育的宝贵工具。胎儿 MRI 有助于未来开发临床风险分层工具，用于早期干预、治疗和临床咨询。此外，胎儿 MRI 是描绘人类妊娠期间复杂神经发育事件的有力工具，这些事件仍有待完全表征。获取和分析胎儿脑部宫内 MRI 需要专业临床中心的合作，因为这些脆弱患者群体的图像队列很小且异质性（例如，不同站点之间的图像采集参数存在差异）。在大多数使用胎儿 MRI 的专业临床中心，评估仅使用从厚 2D 切片采集中获得的 2D 生物特征测量值进行，尽管最近的研究已经证明了在 3D 超分辨率重建体积中执行这些测量的能力。在 MRI 数据中，对出生前高度复杂且快速变化的大脑形态进行自动生物测量、分割和量化将改善诊断过程，因为手动注释既耗时又容易出现人为错误和评分者间差异。分析发育中的大脑结构的形状或体积等信息具有临床意义，因为许多先天性疾病会导致这些组织区室发生细微变化。现有的生长数据主要基于正常发育的大脑，缺乏许多病理和先天性疾病的生长数据。因此，跨不同扫描仪和图像采集协议自动量化发育中的人脑的稳健方法将是执行此类分析的第一步。从技术角度来看，胎儿大脑的自动分割方法需要克服许多挑战。在胎儿发育过程中，人脑的生理学会发生变化，同时其结构也会经历发育重组。此外，由于胎儿和母亲的运动以及成像伪影，图像质量通常较差，而部分容积效应经常导致组织之间边界模糊。最后，与健康对照组相比，异常胎儿大脑的结构通常具有不同的形态。这使得自动方法很难识别这些结构。到目前为止，由于成像方面的挑战以及缺乏公开、精选和带注释的真实数据，胎儿 MRI 领域的研究不足。为了增加样本量，使这些研究具有足够的功效，需要协调场地和 MRI 扫描仪，并结合自动化和强大的 MRI 分析方法。

在第一届 FeTA（FeTA 2021）中，使用了第一个公开可用的胎儿脑部 MRI 图像数据集，以鼓励参赛团队开发自动脑组织分割方法。基于其成功，在 FeTA 2022 中扩展了挑战，通过研究分割算法在不同部位的通用性（从不同的图像采集协议和 MRI 扫描仪获取）。在 FeTA 2024 中，通过两种方式改进和扩展已建立的 FeTA 挑战赛：首先，引入了一项新任务，以自动得出通常用于胎儿评估实践的临床相关生物特征。其次，随着低成本低场 MRI 系统的普及，旨在实现全球范围内MRI访问的民主化，通过纳入低场 (0.55T) MRI数据来扩展分割方法的普遍性评估。

FeTA 2024 挑战赛是朝着开发有效、领域通用和可重复的方法迈出的重要一步，用于分析妊娠 21-36 周发育中胎儿大脑的高分辨率重建 MR 图像。它将包括一项新的临床相关任务，即自动生物特征测量和来自五个不同站点和磁场（包括最近的低场系统）的数据。这种新算法将有可能在许多方面支持临床医生对宫内胎儿脑部 MRI 进行评估：更好地了解先天性疾病的根本原因，并最终指导产前/产后指南和临床风险分层工具的制定，以便世界各地的医院和研究机构进行早期干预、治疗和护理管理决策。

二、FeTA2024任务

任务 1 - 分割

对于分割任务，训练数据将包括来自两个不同机构的120个T2 加权胎儿大脑重建，并附有相应的标签图，该标签图按照此处提供的协议手动分割成 7个不同的组织/标签：外部脑脊液，灰质，白质，脑室，小脑，深灰质，脑干。

任务 2 - 生物测量

对于生物测量任务，训练数据将包括对上述分割任务中包含的相同 120 名受试者进行的生物测量。有五种不同的生物测量，按照此处提供的注释协议进行：轴向平面上的大脑双顶径 (bBIP)，轴向平面上的颅骨双顶径 (sBIP)，矢状面中的蚓部高度 (HV)，矢状面中的胼胝体长度 (LCC)，冠状面中的最大小脑横向直径 (TCD)。

三、FeTA2024数据集

该数据集包括临床获得的神经典型和病理性大脑的胎儿大脑重建，涵盖一系列孕龄。对于每个病例，除了标签图外，还将给出孕龄（以周为单位）以及神经典型/病理性标签。每个病例将为 256x256x256 体素，但每个机构的病例分辨率是独立的。测试数据集将包含 180 个病例。每个病例都包含一组标签图，包括组合标签图以及为方便起见分为单个文件的所有标签。

机构 1 - 苏黎世大学儿童医院 (Kispi)

训练/测试案例：80/40

数据采集：使用 1.5T 和 3T 临床 GE 全身扫描仪（Signa Discovery MR450 和 MR750）采集来自大学儿童医院的数据，使用 8 通道心脏线圈或体线圈。采集 T2 加权单次快速自旋回波序列，平面分辨率为 0.5mm x 0.5mm，切片厚度为 3 至 5 mm。序列参数如下：TR：2000-3500ms；TE：120ms（最小）；翻转角：90°；采样百分比 55%。根据胎儿的妊娠周龄和大小调整以下参数：FOV：200-240 mm；图像矩阵：1.5T：256x224；3T：320x224。成像平面相对于胎儿大脑定向，并获取轴向、冠状和矢状图

后处理：对于每个受试者，我们手动检查获取的胎儿大脑图像的质量，以汇编一组图像。每个堆栈包含每个方向的至少一个脑部扫描，如果有更多扫描，则包括更多扫描。每个堆栈中的扫描数量在 3 到 13 之间。对于 sub-001 到 sub-040，堆栈中的每个图像随后都重新定向到标准平面，并使用半自动化的基于图谱的定制 MeVisLab（德国不来梅的 MeVis Medical Solutions AG）模块创建胎儿大脑的掩模。随后，将SR重建算法应用于每个受试者的图像和脑掩模堆栈，创建脑形态的3D SR体积，各向同性分辨率为0.5mm^3。使用Slicer对每幅图像进行直方图匹配，并用零填充为 256x256x256体素。

机构 2 - 维也纳总医院/维也纳医科大学

训练/测试案例：40 / 40

数据采集：维也纳大学的数据（训练：n=40；测试：n=40）是使用 1.5 T（飞利浦 Ingenia/Intera，荷兰 Best）和 3 T 磁铁（飞利浦 Achieva，荷兰 Best）采集的，未使用孕妇或胎儿镇静剂。所有采集均使用心脏线圈进行。对于每个案例，使用 1.5 特斯拉飞利浦 Intera MR 扫描仪在3个正交（轴向、冠状面、矢状面）平面中采集至少3个T2加权单次快速自旋回波 (ssFSE) 序列（TE=80-140ms），参考胎儿脑干轴和/或胼胝体轴。总体而言，切片厚度在3毫米至5毫米之间（间隙 0.3-1毫米），像素间距为0.65-1.17毫米，采集时间在13.46至41.19秒之间。

后处理：预处理流程包括数据去噪步骤，然后是平面超分辨率和自动脑屏蔽步骤，最后是单个 0.5 毫米各向同性切片运动校正和体积超分辨率重建。随后，将生成的体积严格对齐到公共参考空间。

机构 3 - 洛桑大学医院 (CHUV)

训练/测试案例：0 / 40

数据采集：使用 1.5 T（MAGNETOM Aera，西门子医疗，德国埃尔兰根）采集来自 CHUV（测试：n=40）的数据，未使用孕妇或胎儿镇静剂。采集使用 18 通道体线圈和 32 通道脊柱线圈进行。使用 T2 加权 (T2W) 半傅里叶采集单次快速自旋回波 (HASTE) 序列在三个正交方向上采集图像；通常在每个方向上至少进行两次采集。，TR/TE，1200ms/90ms；翻转角，6/23 90 ̊；回波序列长度，224；回波间隔，4.08ms；视场，360 × 360mm2；体素大小，1.13 × 1.13 × 3.00mm3；切片间间隙，10%，采集时间在 26 到 36 秒之间。

后处理：对于每个受试者，扫描结果都经过人工审核，并选择质量好的扫描结果进行超分辨率重建，从而创建大脑形态的3D SR体积。每个病例都用零填充为256x256x256，并重新定位到标准观察平面。

机构 4 - 加州大学旧金山分校 (UCSF)

训练/测试案例：0 / 40

数据采集：UCSF 的数据（测试：n=40）是使用 3T GE Discovery MR750 或 MR750W（宽孔）采集的，未使用孕妇或胎儿镇静剂。采集使用 32 通道 GE 心脏线圈进行。采集至少 3 个 T2 加权 ssFSE 序列，每个方向（矢状面、轴向、冠状面）扫描一次，参数如下：240 mm FOV，512x512 矩阵，平面分辨率为 ~0.5x0.5 mm，切片厚度为 3 mm。TR 为 2000-3500 毫秒，TE > 100 毫秒，翻转角为 90 度。

后期处理：对于每个受试者，我们都会手动检查扫描结果，并选择质量好的扫描结果进行超分辨率重建，从而创建大脑形态的3D SR体积。每个案例都用零填充为 256x256x256，并重新定位到标准观察平面。

机构 5 - 伦敦国王学院/圣托马斯医院 (KCL)

训练/测试案例：0 / 20

数据采集：对于 20 个案例中的每一个，使用半傅里叶采集单次快速自旋回波 (HASTE) 序列在三个正交方向上采集 6 到 9 个堆栈，参数如下：TR/TE，2500ms/106ms；翻转角，180 度；视野，450 × 450mm2，基本分辨率为 304x304 像素；体素大小，1.5 × 1.5 × 4.5mm3；采集时间在 64 到 122 秒之间。采集使用 0.55T SIEMENS MAGNETOM Free.Max 扫描仪（德国埃尔朗根西门子医疗公司）进行，未使用孕妇或胎儿镇静剂。所有采集均在孕妇仰卧位使用轮廓 L 线圈和集成脊柱线圈进行

后处理：对于 KCL 数据，所有可用堆栈均经过手动质量审查。质量足够的堆栈被自动屏蔽，然后使用 SVRTK重建为 0.8 毫米各向同性分辨率 3D 体积，并与标准参考空间对齐，并填充零至256x256x256。

数据下载：

https://fetachallenge.github.io/pages/Data_download

评价指标：

1、分割任务，将使用四个评估指标——骰子相似系数 (DSC) 用于测量空间重叠。豪斯多夫距离的第 95 个百分位数 (HD95) 用于量化轮廓距离。体积相似性用于测量体积差异。欧拉特征 (EC)，定义 k 维贝蒂数来量化拓扑正确性。

2 生物统计任务，将基于百分比测量误差 (ME)，即估计测量值与实际测量值之间的差异与实际测量值之间的差异。此外，还将计算每个区域的预测值与真实实况之间的R2系数，以评估预测结果。

四、技术路线

FeTA 2021和FeTA 2022比赛相关内容，可以访问相关文章，FeTA2022——胎儿脑区分割挑战赛，FeTA2021——胎儿组织分割挑战。

任务一、脑区组织分割

1、将图像缩放到固定大小256x256x256，然后采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用多类别dice和ce。

3、训练结果和验证结果