Италия полуавтомат: Итальянские сварочные полуавтоматы — купить с бесплатной доставкой по России

L. Storelli

^auro Research the Блок (LS, EP, MAR, PP, M.F.)

E. Pagani

^a Из отдела исследования нейровизуализации (LS, EP, MAR, PP, MF)

MA Rocca

^a Из отдела исследования нейровизуализации (LS, EP, MAR, PP, MF)

^b Институт экспериментальной неврологии, отделение неврологии, отделение неврологии (MAR, PP, MF), Научный институт Сан-Рафаэле, Университет Вита-Салюте Сан-Рафаэле, Милан, Италия

MA Horsfield

^c Xinapse Systems (М.AH), Колчестер, Великобритания

A. Gallo

^d Центр МРТ «SUN-FISM» и Институт диагностики и ухода «Hermitage-Capodimonte» (AG, AB)

^e I Отделение неврологии, Отделение медицинских, хирургических, неврологических, метаболических наук и наук о старении (AG, AB), Второй университет Неаполя, Неаполь, Италия

A. Bisecco

^d Центр МРТ «SUN-FISM» и Институт диагностики и ухода » Эрмитаж-Каподимонте »(А.G., AB)

^e I Отделение неврологии, Отделение медицинских, хирургических, неврологических, метаболических наук и наук о старении (AG, AB), Второй университет Неаполя, Неаполь, Италия

M. Battaglini

^f Отделение неврологических и поведенческих наук (MB, NDS), Университет Сиены, Италия

Н. Де Стефано

^f Отделение неврологических и поведенческих наук (MB, NDS), Университет Сиены, Италия

H.Vrenken

^g Отделение радиологии и ядерной медицины, MS Center Amsterdam (H.V.), VU Medical Center, Амстердам, Нидерланды

D.L. Thomas

^h Нейрорадиологическое академическое отделение (DLT, LM), Институт неврологии UCL, Лондон, Соединенное Королевство

L. Mancini

^h Нейрорадиологическое академическое отделение (DLT, LM), Институт неврологии UCL, Лондон, Соединенное Королевство

S. Ropele

ⁱ Отделение неврологии (S.R., CE)

C. Enzinger

ⁱ Отделение неврологии (SR, CE)

^j Клиническое отделение нейрорадиологии, сосудистой и интервенционной радиологии, Отделение радиологии (CE) Медицинского университета Граца, Австрия.

P. Preziosa

^a Из отдела исследований нейровизуализации (L.S., E.P., M.A.R., P.P., M.F.)

^b Институт экспериментальной неврологии, отделение неврологии, отделение неврологии (M.AR, PP, MF), Научный институт Сан-Рафаэле, Университет Вита-Салюте Сан-Рафаэле, Милан, Италия

М. Филиппи

^a Из отдела исследования нейровизуализации (LS, EP, MAR, PP, MF)

^b Институт экспериментальной неврологии, Отделение нейробиологии, Отделение неврологии (MAR, PP, MF), Научный институт Сан-Раффаэле, Университет Вита-Салюте Сан-Раффаэле, Милан, Италия

^a Из отдела исследований нейровизуализации (L .S., EP, MAR, PP, MF)

^b Институт экспериментальной неврологии, отделение неврологии, отделение неврологии (MAR, PP, MF), Научный институт Сан-Рафаэле, Университет Вита-Салюте Сан-Рафаэле, Милан, Италия

^c Xinapse Systems (MAH), Колчестер, Великобритания

^d Центр МРТ «SUN-FISM» и Институт диагностики и ухода «Hermitage-Capodimonte» (AG, AB)

^e I Отделение неврологии, Отделение медицинских, хирургических, неврологических, метаболических наук и наук о старении (А.G., AB), Второй университет Неаполя, Неаполь, Италия

^f Отделение неврологических и поведенческих наук (MB, NDS), Университет Сиены, Италия

^g Отделение радиологии и ядерной медицины, MS Center Амстердам (HV), Медицинский центр VU, Амстердам, Нидерланды

^h Нейрорадиологическое академическое отделение (DLT, LM), Институт неврологии UCL, Лондон, Великобритания

ⁱ Отделение неврологии (S.R., C.E.)

^j Клиническое отделение нейрорадиологии, сосудистой и интервенционной радиологии, отделение радиологии (C.E.), Медицинский университет Граца, Австрия.

Поступила в редакцию 16.03.2016; Принято 11 мая 2016 г. Представлена ​​многоцентровая валидация предложенного полуавтоматического метода сегментации гиперинтенсивных очагов рассеянного склероза на МРТ с двойным эхом.

МАТЕРИАЛЫ И МЕТОДЫ:

Используемая методика классификации основана на подходе по выращиванию области, начиная с ручной идентификации поражения экспертом-наблюдателем с заключительным этапом уточнения сегментации.Метод был валидирован в когорте из 52 пациентов с ремиттирующим РС с использованием двойных эхо-изображений, полученных в 6 различных европейских центрах.

РЕЗУЛЬТАТЫ:

Мы нашли математическое выражение, которое сделало оптимизацию метода независимой от потребности в обучающем наборе данных. Автоматическая сегментация хорошо согласовывалась с сегментацией вручную (коэффициент сходства игральных костей = 0,62 и среднеквадратичная ошибка = 2 мл). Оценка ошибок сегментации не показала значительных различий в производительности алгоритмов между различными производителями МРТ сканеров ( P >.05).

ВЫВОДЫ:

Метод оказался надежным, и не потребовалось специализированного обучения алгоритму, что дает возможность его применения в клинических условиях. Внедрение метода должно привести к повышению надежности и сокращению времени оператора, необходимого для анализа изображений в исследованиях и клинических испытаниях при рассеянном склерозе.

Оценка бремени болезни с использованием МР-изображений пациентов с РС для исследований и клинических испытаний требует количественной оценки объема гиперинтенсивных поражений на Т2-взвешенных изображениях. ¹ Однако сегментация поражения остается сложной задачей, а требуемые точность и воспроизводимость трудно достижимы. В идеале сегментация должна быть автоматизирована или требовать минимального вмешательства оператора, чтобы минимизировать необходимое время оператора и уменьшить смещение ^2–4 ; однако ручная сегментация по-прежнему остается «золотым стандартом».

Хотя было опубликовано несколько методов полностью автоматизированной сегментации поражений при рассеянном склерозе, их эффективность трудно сравнивать. Это связано с тем, что они обычно проходят валидацию без единой основы, ⁵ и даже если валидированы в той же самой структуре (например, задача сегментации поражений при РС, представленная на Международной конференции по компьютерной обработке изображений и вмешательству с помощью компьютера [MICCAI] 2008 ⁶ ), проверка выполняется с использованием небольшого набора данных случаев и не включает набор данных изображения, взвешенного по плотности протонов (PD) / T2 с двойным эхо-сигналом (DE).Кроме того, большинство методов оптимизированы и проверены на МР-изображениях FLAIR, которые выигрывают от подавления сигнала CSF и лучшего контраста между очаговыми поражениями и окружающей тканью ^7–9 по сравнению с более устоявшимися методами, в которых используются последовательности DE. Доступны большие наборы данных DE MR-изображений из прошлых исследований, и их получение по-прежнему является обычным для исследований и клинических испытаний, поэтому все еще существует необходимость в разработке методов сегментации поражений на этих данных. ¹⁰

Ранее нами был предложен полуавтоматический метод, основанный на подходе наращивания области для сегментации поражения РС на МР-изображениях DE, который приводит к значительному сокращению времени, необходимого для сегментации поражения по сравнению с сегментацией вручную, и показывает хорошее согласие с наземная правда. ¹¹

Большинство крупных МРТ-исследований МС проводится в нескольких сканирующих центрах от разных производителей сканеров. ¹² Хотя все центры будут использовать общий протокол сканирования с параметрами последовательности импульсов, ограниченными определенными диапазонами, неизбежны различия в контрасте изображения из-за различий в аппаратном и программном обеспечении. Целью настоящего исследования было проанализировать процедуру обучения, требуемую алгоритмом, и проверить метод сегментации поражения, предложенный в многоцентровом контексте.Метод был подтвержден путем сравнения сегментации поражения (полученной с помощью предлагаемого метода) с сегментацией вручную у разных производителей МРТ сканеров.

Материалы и методы

Предпосылки

Метод был представлен на семинаре BrainLes MICCAI 2015 ¹¹ и утвержден для одного центра сбора данных на 20 пациентах. Он-лайн приложение предоставляет методологическую основу техники сегментации поражения.

Получение МР-изображений

Набор данных состоял из 52 пациентов с РС, часть проекта по визуализации коррелятов когнитивных нарушений при РС, приобретенного в 6 европейских центрах, которые являются частью консорциума MAGNIMS (Амстердам, Грац, Лондон, Милан, Неаполь и Сиена) с использованием 3T МРТ сканеров от ряда производителей (2 сканера от Philips Healthcare [Бест, Нидерланды], 2 от GE Healthcare [Милуоки, Висконсин] и 2 от Siemens [Эрланген, Германия]).Для включения в исследование пациенты должны были быть в возрасте от 20 до 65 лет и иметь диагноз ремиттирующего рассеянного склероза, ¹³ отсутствие рецидива или лечения кортикостероидами в течение месяца до сканирования и отсутствие в анамнезе психических состояний (онлайн-таблица 1 ). Для текущего анализа были выбраны только последовательности МРТ без визуально значимых артефактов.

Протокол исследования был одобрен местными комитетами по этике участвующих центров, и все пациенты дали письменное информированное согласие.

Аналогичный протокол получения МРТ-изображений использовался для всех пациентов: DE TSE; TR = 4000–5380 мс; TE ₁ = 10–23 мс; TE ₂ = 90–102 мс; длина эхо-цуга = 5–11; 44 смежных аксиальных среза толщиной 3 мм, параллельных передней / задней плоскости комиссур; размер матрицы = 256 × 256; прямоугольное поле зрения = 75%; и поле зрения = 250 × 250 мм ² .

Характеристики аппаратуры МРТ и количество пациентов, привлеченных в каждом центре, приведены в интерактивной таблице 2.

Анализ процедуры обучения

Использование разных сканеров может вызвать аппаратно-зависимые различия в качестве изображения. В этом исследовании мы предположили, что пациенты, сканированные с использованием одинаковых радиочастотных катушек и протокола МРТ на разных сканерах одного производителя, будут иметь сопоставимое качество изображения и, следовательно, могут быть сгруппированы для анализа.

Ручная идентификация поражений использовалась для инициализации алгоритма, а ручная сегментация использовалась для обучения и проверки предложенного метода.Обе задачи были выполнены с помощью программного обеспечения для анализа медицинских изображений (Jim Version 6.0; Xinapse Systems, Колчестер, Великобритания). Ручная идентификация и сегментация очагов поражения проводились опытным оценщиком с 7-летним опытом сегментации очагов рассеянного склероза. В случае сомнений в идентификации поражения проконсультировалась со старшим оценщиком.

Для стандартизации изображений (шаг 1) была выбрана группа из 12 пациентов (по 2 из каждого центра) с низкой нагрузкой на поражение. Высокой нагрузки на поражение удалось избежать, поскольку большое количество гиперинтенсивных поражений могло соответствующим образом изменить форму гистограмм интенсивности изображения и повлиять на оценку стандартных параметров.Для расчета стандартных параметров предпочтительнее сканировать здоровых пациентов, но они не всегда доступны в клинических условиях.

Поскольку метод требовал шага обучения, был исследован выбор надежного набора, представляющего весь набор данных, с точки зрения нагрузки поражения и размера выборки для каждого производителя МРТ. Пациенты были сгруппированы по производителю сканера. Для каждой группы рассчитывалась пороговая функция (шаг 3), и количество пациентов, включенных в обучающую выборку, неуклонно уменьшалось.Сначала были включены все пациенты, а затем на каждом этапе из каждой группы удалялись по 3 пациента. Выбор пациентов для удаления был сделан путем попыток поддерживать сбалансированную нагрузку на повреждения (то есть вариацию в пределах ± 10%) у 3 различных производителей МРТ. Этот анализ был проведен для оценки взаимосвязи между размером выборки и пороговой функцией для каждого производителя сканера MR, чтобы привести к правильному выбору обучающей выборки для этого метода. Прямая линия была аппроксимирована значениями интенсивности семян, нанесенными на график относительно оптимальных пороговых значений, с получением пороговой функции для начального роста области.Линейная зависимость между нормализованной интенсивностью семян и оптимальными пороговыми значениями была получена эмпирически.

Чтобы оценить чувствительность результатов сегментации к наклону пороговой функции, были сгенерированы 17 смоделированных пороговых функций для инициализации роста области. Эти функции состояли из прямой линии, проходящей из общей точки (подробно описанной в разделе «Результаты»), с наклоном, изменяющимся от 0,1 до 0,9 с шагом 0,05 (более широкий диапазон значений, чем при обучении).Сегментация поражения проводилась без этапа уточнения, чтобы оценить только влияние другого наклона на результаты.

Оптимальная пороговая функция была выбрана из смоделированных путем максимизации коэффициента сходства игральных костей между очерченными вручную и автоматически очерченными очагами (как описано ниже).

Кроме того, мы исследовали, можно ли оценить 2 параметра, определяющих оптимальную тренировочную прямую, непосредственно по сегментированному изображению, тем самым избегая необходимости в тренировочной процедуре, предполагающей привлечение дополнительной группы пациентов и ручную сегментацию поражения.

Поскольку мы обнаружили, что обучения, основанного на ручной сегментации, можно избежать (см. Результаты), весь набор данных можно было использовать в качестве тестового набора данных, а оптимизированная процедура была применена ко всей группе пациентов.

Статистический анализ

Была вычислена среднеквадратичная ошибка объема поражения для предлагаемого метода по сравнению с сегментацией вручную. Значения среднеквадратичной ошибки, сгруппированные по производителям сканера, сравнивались для оценки любых различий в производительности между производителями МРТ.Предполагалось, что наблюдения трех групп производителей не зависят друг от друга. Тест Вилкоксона-Манна-Уитни использовался для проверки различий в ошибках между группами. Это непараметрическая проверка нулевой гипотезы (что 2 независимых образца происходят из одной и той же популяции) против альтернативной гипотезы. Тест проводился попарно между 3 группами: тест 1 проводился между ошибками сегментации поражения на изображениях, полученных на сканерах Siemens, по сравнению со сканерами Philips; тест 2 был между сканерами Siemens и сканерами GE; тест 3 проводился между сканерами GE и сканерами Philips.Сегментации, полученные с помощью предложенного метода, сравнивались с ручными сегментациями, выполненными опытным врачом с использованием коэффициента подобия игральных костей. Значения коэффициента подобия игральных костей варьируются от 0 до 1, где 0 соответствует отсутствию перекрытия между двумя сегментами, а 1 соответствует полному перекрытию. Ложноположительная фракция, ложноотрицательная фракция и истинно-положительная фракция были вычислены для каждого поражения, чтобы указать процент вокселов, правильно или неправильно классифицированных как поражение данным методом.«Основная истина» для оценки истинных и ложноположительных результатов — это бинарная маска поражения, полученная после ручной сегментации, путем попиксельного сравнения отдельных поражений между ручной и автоматической маской.

Результаты

Пороговые функции (графики зависимости порогового значения от начальной интенсивности) показали аналогичную тенденцию с уменьшением количества пациентов, включенных в обучающую выборку: по мере уменьшения размера выборки подобранные линии сохраняли одинаковый наклон и проходили через примерно аналогичная точка ().Было обнаружено, что интенсивность семян в этой «общей точке» представляет собой интенсивность пика GM на стандартизованной гистограмме. Это связано с тем, что процесс стандартизации изображения зафиксировал пик GM для изображений, взвешенных по частичному размеру, с одним и тем же значением интенсивности. Таким образом, это значение в качестве начальной точки будет давать аналогичные пороговые значения во время обучения, а после операции подгонки на обучающем наборе эти точки были интерполированы, создав единую «общую точку» между функциями. Кроме того, на оси Y эта точка представляет собой изменение интенсивности стандартного распределения интенсивности GM, которое отличает значения интенсивности поражения, которые в основном перекрываются со значениями интенсивности GM, от окружающей ткани (WM).

Пороговые функции, полученные после этапа обучения для каждого производителя сканера при уменьшении размеров обучающей выборки (т. Е. Количества включенных пациентов), как указано. Можно заметить, что при уменьшении размера выборки функции линейной регрессии не меняли своих тенденций.

Было оценено влияние разного наклона пороговых функций на результаты сегментации. Наклон пороговой функции варьировался от 0,1 до 0.9, и были обнаружены более высокие значения коэффициента сходства игральных костей (коэффициент сходства игральных костей> 0,6) при более высоких значениях наклона (> 0,7), хотя это улучшение не было значительным.

Исходя из этих результатов, пороговые значения, использованные при начальном выращивании семян, были выражены как:

, где T — порог для роста области, м обозначает уклон (фиксированный на 0,9), Iseed _i — значение интенсивности семян для поражения i ; и I _GM и _GM были интенсивностью пика GM и стандартным отклонением распределения GM на стандартной гистограмме, соответственно.Уравнение использовалось для вычисления пороговой функции, а затем метод был выполнен без обучения ручной сегментации.

Сравнение данных между разными сканерами показало, что не было никаких доказательств того, что ошибки сегментации поражения происходят из разных распределений. Средние значения ошибок сегментации для каждого производителя MR составляли 1,99 мл для GE, 1,59 мл для Philips и 1,86 мл для Siemens. Статистический тест, проведенный между группами, не выявил различий в производительности сегментации между производителями (Тест 1, P =.65; Тест 2, P = 0,44; и Тест 3, P = 0,30).

Метрики валидации были извлечены для нагрузки поражения каждого пациента, при этом каждое поражение рассматривалось как связная область в трехмерном пространстве для вычисления его общего объема. графически отображает метрики, оцененные для каждого пациента по всем поражениям. После усреднения показателей по всем пациентам были получены следующие данные: коэффициент сходства игральных костей = 0,62; среднеквадратичная ошибка = 2 мл; истинно положительная дробь = 0.76; ложноположительная фракция = 0,36; и ложноотрицательная фракция = 0,22.

Значения коэффициента сходства кубиков ( вверху слева ), средние значения истинно-положительной фракции / ложноположительной фракции ( вверху справа ) и средние значения ложноотрицательной фракции ( внизу слева ) показаны для каждого пациента. В правом нижнем углу показана диаграмма рассеяния для сравнения ручной нагрузки на поражение с автоматической нагрузкой на поражение. Пунктирная линия — это идентификационная линия.

Пример результата сегментации поражения показан на.

Пример сегментации очага поражения для 2 пациентов (рядов) с 2 разных сканеров по предлагаемому методу ( красный ) по сравнению с сегментацией экспертного оператора ( синий ). Соответствующие T2-взвешенные изображения показаны в правом столбце.

Обсуждение

Поскольку ручная сегментация требует много времени и зависит от вариабельности между и внутри наблюдателей, автоматическая сегментация поражений РС является активной областью исследований, и в последние годы было представлено множество предложений. ⁵ Метод, утвержденный в этом исследовании, имеет несколько преимуществ. Во-первых, он работает с изображениями DE MR. Большинство предлагаемых методов сегментируют поражения на последовательностях FLAIR, которые выигрывают от подавления сигнала CSF и лучшего контраста между очаговыми поражениями и окружающим фоном. ^{7–9,14–16} Однако много данных было и в настоящее время собирается для исследований и клинических испытаний с использованием DE PD / T2-взвешенных изображений. Таким образом, с использованием предложенного метода должна быть возможность быстро анализировать эти большие наборы изображений.Во-вторых, несмотря на ограничение ручной идентификации поражений опытным врачом, эта инициализация обеспечивает правильную идентификацию всех поражений и позволяет избежать проблемы идентификации целых ложноположительных поражений (поскольку может произойти только возможная неправильная классификация пикселей поражения). Это обычная проблема для полностью автоматических методов сегментации поражения, на которые, как правило, влияет качество изображения. ⁴ В предлагаемом методе мы избегаем этой проблемы, поддерживая ручную идентификацию поражений и автоматизируя задачу сегментации, которая является наиболее трудоемкой операцией.Некоторые инструменты автоматической сегментации поражений с доступным кодом (LST, SLS и Lesion-TOADS) ожидают, что на входе будут изображения FLAIR. Как следствие, сравнение с нашим методом было бы несправедливым. Более того, большинство предложенных методов были проверены на ограниченном количестве случаев и в отдельных центрах или при моделировании получения МРТ. ^5,17,18 Кроме того, проверка метода на основе данных, предоставленных семинаром MICCAI Grand Challenge 2008, была бы невозможна из-за отсутствия последовательности DE в наборе данных. ^6,19 В этом исследовании была представлена ​​проверка метода на предмет ручной сегментации в многоцентровом контексте, доказывающая, что метод устойчив к различиям сканеров и что его производительность не зависит от программного и аппаратного обеспечения МРТ.

Во время первоначальной оценки размера необходимого обучающего набора было обнаружено, что пороговые функции, извлеченные для исходного алгоритма наращивания области, не были заметно затронуты включением меньшего количества пациентов, и не было никаких значительных различий между вычисленными пороговыми функциями. от каждой группы производителей сканеров.Более того, использование смоделированных пороговых функций продемонстрировало, что после нахождения точки их пересечения изменения наклона вносили лишь небольшое незначительное улучшение при более высоких значениях; таким образом, наиболее важной особенностью пороговой функции была точка пересечения линий, которая была результатом процесса стандартизации.

Эти результаты позволили нам найти выражение для пороговой функции, используемой в начальной части алгоритма, увеличивающей область, что позволило избежать этапа обучения с использованием ручной сегментации.Поскольку результаты сегментации улучшаются при использовании более высокого наклона пороговой функции, было выбрано 0,9, чтобы позволить использовать более высокие пороги и менее ограниченную сегментацию с ростом области. Это связано с условием остановки на пороговом значении (см. Уравнение в онлайн-приложении): более высокий порог подразумевает большую разницу между начальной точкой и значением интенсивности i -го пикселя, которое останавливает рост области, поэтому больший диапазон интенсивности классифицируется как поражение (менее ограниченная сегментация).Это стало возможным, потому что мы включили в сегментацию этап обнаружения края, который действует как барьер, чтобы остановить рост области, даже если используется слишком высокий порог. Из-за шума или артефактов на изображениях для получения хорошего результата использовалось сочетание двух условий остановки. Однако использование высокого наклона для пороговой функции может вызвать смещение между поражениями с более высокими и более низкими значениями интенсивности относительно точки пересечения прямой линии; то есть, с большим наклоном поражения с более низкой интенсивностью будут иметь более низкие пороговые значения, что приведет к более ограниченному росту области, тогда как для поражений с более высокой интенсивностью будет наблюдаться противоположное.Этого смещения удалось избежать, применив этап уточнения порогового значения, на котором вычисляется более устойчивый порог для возобновления роста области, тем самым исправляя слишком ограниченную сегментацию, вызванную более низкими пороговыми значениями. Следовательно, используя наше уравнение для нахождения пороговой функции, мы избежали этапа обучения, используя ручную сегментацию, что упростило применимость предлагаемой техники в клинических условиях. Что касается возможного смещения между различными нагрузками на поражение, казалось, что разница между автоматической и ручной нагрузкой на поражение становится больше с увеличением нагрузки на поражение ().Это можно объяснить тем фактом, что высокая нагрузка на поражение может быть вызвана множеством небольших поражений или несколькими, но очень большими поражениями. В первом случае разница в несколько пикселей между поражением, сегментированным автоматически и вручную (которое визуально не определяется), суммированное для всех поражений, может привести к значительному различию в количественной оценке нагрузки на поражение между двумя методами. Во втором случае разница в большем количестве пикселей (например, на границе поражения [опять же, визуально не обнаруживается]) может привести к значительному различию в количественной оценке нагрузки на поражение при ручной и автоматической сегментации.

Стабильность и надежность метода оценивалась при работе с данными различных производителей сканеров. На начальном этапе анализа изображений стандартизируются значения интенсивности между сканированиями МРТ, взвешенными по частичному размеру, что позволяет использовать фиксированные параметры интенсивности. Возможные аппаратные или программные различия между сканерами МРТ существенно не повлияли на метод.

Сегментация поражения, выполненная с помощью нового метода, показала хорошее соответствие с основной истиной (коэффициент сходства игральных костей = 0.62 и истинно положительная фракция = 0,76). Разница между нагрузкой на поражение, оцененной с использованием предложенного метода и ручной сегментации, дала среднюю ошибку 19% (среднеквадратичная ошибка = 2 мл) с низкой ошибочной классификацией вокселей поражения (ложноотрицательная фракция = 0,22 и ложноположительная фракция. = 0,36).

Доказательства преимущества для времени оператора, необходимого для сегментации поражений, были продемонстрированы в нашей предыдущей работе. ¹¹ В текущем исследовании было подтверждено важное сокращение времени на задачу сегментации.Для рассматриваемых нами поражений среднее время ручной сегментации поражения при одном сканировании МРТ составляло примерно 50 минут только для задачи сегментации, тогда как для нового метода среднее время для той же задачи составляло примерно 55 секунд, т.е. во времени примерно 98,2%.

В случаях, когда поражение имеет интенсивность, аналогичную интенсивности спинномозговой жидкости, метод дает сегменты, выходящие за пределы реальной границы поражения. В этом исследовании это произошло в очень немногих случаях, в основном при перивентрикулярных поражениях.Возможно, это удастся улучшить в будущем, введя дополнительную информацию о поражениях, возможно, используя другие МРТ контрасты тканей, такие как зарегистрированные Т1-взвешенные изображения. Это улучшение также может быть полезно для более точного определения границ поражения в случае диффузных поражений у пациентов с высокой нагрузкой на поражение. Примечательно, что метод не выявил трудностей при сегментации подкорковых / корковых поражений. Это связано с тем, что на этапе обнаружения края используется фильтр верхних частот; границы подкорковых / кортикальных поражений были хорошо определены относительно окружающей ткани, в отличие от перивентрикулярных поражений, которые имели значения интенсивности, аналогичные CSF на сканировании DE.

Реализованный метод основан на подходе роста 2D области, потому что он начинался с начальных точек, расположенных в 2D. 2D реализация была выбрана потому, что изображения не были получены с использованием 3D MR изображений; поэтому разрешение по оси z (толщина сечения) ниже осевого. Адаптация метода к трехмерному подходу может стать будущим расширением, когда будут доступны трехмерные МРТ-изображения, чтобы сократить время взаимодействия эксперта. Точно так же применимость метода к различным изображениям (например, пред- и постконтрастным T1-взвешенным последовательностям) потребует некоторых модификаций и переобучения метода для новых контрастов.

Алгоритм основан на ручной идентификации поражений, которая должна выполняться опытным оператором, а наиболее трудоемкая задача (например, выделение каждого очага) полностью автоматизирована. Однако было бы предпочтительнее избегать любого ручного вмешательства для устранения любой зависимости оператора. В будущем, возможно, появится возможность полностью автоматизировать сегментацию T2-гиперинтенсивных поражений с использованием других контрастов МРТ, таких как FLAIR или последовательности восстановления с двойной инверсией. ²⁰ Наконец, воспроизводимость метода должна быть оценена в продольных исследованиях.

Выводы

В этом исследовании мы оценили производительность и стабильность полуавтоматического метода сегментации очагов рассеянного склероза, используя данные DE, полученные из разных центров с помощью различных сканеров, по сравнению с ручной сегментацией, проводимой опытным врачом. Метод оказался надежным и стабильным при работе с данными от различных производителей сканеров. Выяснилось также, что не требуется специализированного обучения алгоритму, что делает метод пригодным для прямого использования на широком диапазоне изображений.Внедрение метода должно привести к повышению надежности и сокращению времени оператора, необходимого для анализа изображений в исследованиях и клинических испытаниях при рассеянном склерозе.

СОКРАЩЕНИЯ:

Сноски

Раскрытия: Maria Assunta Rocca Grantazi (FISM2013 / s / 1) *; НЕ СВЯЗАННЫЕ : Гранты / гранты на рассмотрении : Министерство здравоохранения Италии и Fondazione Italiana Sclerosi Multipla *; Оплата лекций (включая услуги бюро докладчиков) : Biogen Idec, Novartis, Genzyme, Teva Pharmaceutical Industries.Марк А. Хорсфилд — БЕЗ СВЯЗИ : Занятость : Xinapse Systems, Комментарии : штатный работодатель; Акции / Варианты запаса : Xinapse Systems. Никола Де Стефано — НЕ СВЯЗАНЫ : Членство в Правлении : Biogen Idec, Merck Serono SA, Novartis; Консультации : Schering, Biogen Idec, Teva Pharmaceutical Industries, Novartis, Genzyme, Merck; Гранты / гранты на рассмотрении : Итальянская ассоциация рассеянного склероза, * Novartis *; Оплата лекций (включая услуги бюро докладчиков) : Schering, * Biogen Idec, * Teva Pharmaceutical Industries, * Novartis, * Genzyme, * Merck Serono SA.* Хьюго Вренкен — НЕ СВЯЗАНЫ : Гранты / ожидающие гранты : Pfizer, * Novartis, * Merck-Serono, * Teva, * Dutch MS Research Foundation *; Оплата лекций (включая услуги бюро выступлений) : Novartis. * Massimo Filippi — СВЯЗАННЫЕ С : Грант : Fondazione Italiana Sclerosi Multipla (FISM2013 / s / 1) *; НЕ СВЯЗАННЫЕ : Членство в Правлении : Teva Pharmaceutical Industries; Консультации : Biogen Idec, Novartis и Teva Pharmaceutical Industries; Гранты / гранты на рассмотрении (Швейцария) * и ARiSLA (Итальянский фонд рисования по SLA) *; Оплата лекций (включая услуги бюро докладчиков) : Biogen Idec, Excemed, Novartis и Teva Pharmaceutical Industries; Другое : Springer, Комментарии : главный редактор журнала неврологии .* Деньги, выплаченные учреждению.

Это исследование частично поддержано Fondazione Italiana Sclerosi Multiple (FISM2013 / S / 1). D.L.T. поддерживается Центром экспериментальной неврологии Леонарда Вольфсона UCL (грант PR / ylr / 18575).

Список литературы