利用具有分割置信度的卷积神经网络自动检测多发性硬化的病变负荷变化

用于多种成像协议下多对比度MRI多发性硬化病变分割的自适应网络

A Self-Adaptive Network For Multiple Sclerosis Lesion Segmentation From Multi-Contrast MRI With Various Imaging Protocols

Springbok, Inc.（斯普林博克公司）；University of Virginia（弗吉尼亚大学）

深度神经网络（DNN）在多发性硬化（MS）的病灶分割中显示出了良好的前景，包括T1、T2、质子密度（PD）和FLAIR序列。然而，将这种网络部署到临床实践中的一个挑战是成像协议的可变性，其通常与训练数据集不同，因为某些MRI序列可能不可用或不可用。因此，经过训练的网络需要适应部署中成像协议不同的实际情况。在本文中，我们提出了一种基于DNN的MS病变分割框架，该框架具有一种称为序列丢弃的新技术，可以适应部署过程中输入MRI序列的各种组合，并从给定的输入中实现最大可能的性能。此外，在此框架下，我们研究了每个MRI序列对MS病变分割任务的定量影响，而无需训练单独的网络。使用IEEE ISBI 2015纵向MS病变挑战数据集进行实验，我们的方法目前排名第二，Dice相似系数为0.684。此外，我们通过与在相应的输入MRI序列上训练的单独网络进行比较，表明我们的网络在部署期间一个序列不可用时实现了最大可能的性能。特别是，我们发现T1和PD对分割性能的影响很小，而FLAIR是主要序列。多个缺失序列的实验也进行了，并显示了我们的网络的鲁棒性。

2018-11-19cs.CV

基于多分支卷积神经网络的多发性硬化病灶分割

Multi-branch Convolutional Neural Network for Multiple Sclerosis Lesion Segmentation

Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）；Fondation Campus Biotech Geneva（日内瓦校园生物技术基金会）；San Raffaele Scientific Institute（圣拉斐尔科学研究所）；University of Verona（维罗纳大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）

在本文中，我们提出了一种自动化的方法分割多发性硬化症（MS）病变的多模态脑磁共振图像。我们的方法是基于一个深端到端的2D卷积神经网络（CNN）的切片为基础的3D体积数据的分割。所提出的CNN包括多分支下采样路径，这使得网络能够分别对来自多个模态的信息进行编码。提出了多尺度特征融合块，以在网络的不同阶段组合来自不同模态的特征图。然后，引入多尺度特征上采样块来放大组合特征图以利用来自病变形状和位置的信息。我们使用每个3D模态的正交平面方向来训练和测试所提出的模型，以利用各个方向的上下文信息。在两个不同的数据集上评估了拟议的管道：包括37名MS患者的私人数据集和被称为ISBI 2015纵向MS病变分割挑战数据集的公开数据集，包括14名MS患者。考虑到ISBI的挑战，在提交时，我们的方法是性能最好的解决方案之一。在私有数据集上，使用与ISBI挑战中相同的性能指标阵列，与其他公开可用的工具相比，所提出的方法在MS病变分割方面显示出很高的改进。

2019-04-08cs.CV

使用编码器-解码器U-NET的MRI中的多发性硬化病变合成

Multiple Sclerosis Lesion Synthesis in MRI using an encoder-decoder U-NET

Research Institute of Computer Vision and Robotics, University of Girona（赫罗纳大学计算机视觉与机器人研究所）；Assiut University（艾斯尤特大学）；Vall d’Hebron University Hospital（瓦尔德希伯伦大学医院）

在本文中，我们提出在MRI图像上生成合成的多发性硬化症（MS）病变，最终目的是提高监督机器学习算法的性能，从而避免缺乏可用的地面实况的问题。我们提出了一个双输入双输出的全卷积神经网络模型，用于MRI图像中的MS病变合成。病变信息被编码为传递到模型的离散二进制强度水平掩模，并与输入图像堆叠。该模型是端到端训练的，无需手动注释训练集中的病变。然后，我们通过配准患者图像在健康图像上生成合成病变，随后将其用于数据增强，以提高监督MS病变检测算法的性能。我们的管道是根据来自内部临床数据集和公共ISBI 2015挑战数据集的MS患者数据进行评估的。评估是基于测量真实图像和合成图像之间的相似性，以及通过使用最先进的分割框架分别分割原始图像和合成图像来检测病变的性能。我们还证明了在健康图像上生成的合成MS病变作为数据增强的用途。我们分析了有限的训练数据（一个图像训练）的情况下，以证明两个数据集上的数据增强的效果。我们的研究结果显着显示合成MS病变图像的使用的有效性。对于ISBI 2015挑战，我们的单图像模型仅使用单个图像加上合成数据增强策略进行训练，表现出与使用整个训练集进行完全训练的其他CNN方法相似的性能，从而产生可与人类专家评分员性能相当的性能

2019-01-17cs.CV

用级联3D卷积神经网络方法改进自动多发性硬化病变分割

Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach

University of Girona（赫罗纳大学）；Vall d’Hebron University Hospital（巴尔德希伯伦大学医院）；Girona Magnetic Resonance Center（赫罗纳磁共振中心）；Dr. Josep Trueta University Hospital（若泽普·特鲁埃塔博士大学医院）

在本文中，我们提出了一种新的自动化方法的白质（WM）病变分割多发性硬化症（MS）患者的图像。我们的方法是基于级联的两个3D补丁式卷积神经网络（CNN）。第一网络被训练为更敏感地揭示可能的候选病变体素，而第二网络被训练为减少来自第一网络的误分类体素的数量。这种级联的CNN架构倾向于从小的训练数据集合中很好地学习，这在实践中可能是非常有趣的，因为难以获得手动标签注释和大量可用的未标记的磁共振成像（MRI）数据。我们评估了所提出的方法的准确性对公共MS病变分割挑战MICCAI 2008数据集，比较它与其他国家的最先进的MS病变分割工具。此外，所提出的方法也评估了两个私人MS临床数据集，我们的方法的性能也与不同的最近公开可用的最先进的MS病变分割方法进行了比较。在撰写本文时，我们的方法是MICCAI 2008挑战赛中排名最高的方法，在使用所有可用的输入模式（T1-w，T2-w和FLAIR）时优于其余60种参与者方法，而在仅使用T1-w和FLAIR模式时仍处于第三位。在临床MS数据上，与其他评估方法相比，我们的方法在WM病变的准确性分割方面表现出显著提高，并且与预期病变体积高度相关（$r \ge 0.97$）。

2017-02-16cs.CV

多发性硬化病灶分割--基于监督CNN的方法综述

Multiple Sclerosis Lesion Segmentation -- A Survey of Supervised CNN-Based Methods

Vanderbilt University（范德堡大学）

病灶分割是多发性硬化患者MRI扫描定量分析的核心任务。深度学习技术最近在各种医学图像分析应用中的成功，重新激发了社区对这一挑战性问题的兴趣，并引发了新算法开发的热潮。在这项调查中，我们调查了基于监督CNN的MS病变分割方法。我们将这些审查的作品解耦成它们的算法组件，并分别讨论。对于在公共基准数据集上提供评估的方法，我们报告了它们的结果之间的比较。

2020-12-26cs.CVcs.LGeess.IV

HyTver：一种用于纵向多发性硬化症病灶分割的新型损失函数

HyTver: A Novel Loss Function for Longitudinal Multiple Sclerosis Lesion Segmentation

School of Information Technology, Monash University, Malaysia Campus（信息技术学院，墨尔本大学马来西亚校区）

针对纵向多发性硬化症病灶分割的输入输出不平衡问题，提出新型混合损失函数HyTver，在保证计算复杂度可控的同时提升分割性能，Dice分数达0.659且距离指标与主流损失相当，还评估了其在预训练模型上的稳定性。

2025-08-25cs.CV

基于鉴别器的监督引导注意模块支持的GANs在多发性硬化症中的病灶特异性预测

Lesion-Specific Prediction with Discriminator-Based Supervised Guided Attention Module Enabled GANs in Multiple Sclerosis

St Francis Xavier University（圣弗朗西斯泽维尔大学）

多发性硬化症（MS）是一种慢性神经系统疾病，其特征在于大脑白质病变的发展。相对于其他MRI方式，T2液体衰减反转恢复（FLAIR）脑磁共振成像（MRI）提供了更好的MS病变可视化和表征。MS的随访脑部FLAIR MRI为临床医生监测疾病进展提供了有用的信息。在这项研究中，我们提出了一种新的修改生成对抗网络（GANs），以预测未来的病变特异性FLAIR MRI MS在固定的时间间隔。我们在神经网络中使用监督引导注意力和扩张卷积，这支持基于对病变区域的注意力对生成的图像是否真实进行明智的预测，这反过来又有可能帮助改进生成器，以更准确地预测未来检查的病变区域。我们将我们的方法与几个基线和一个最先进的CF-SAGAN模型进行了比较[1]。总之，我们的研究结果表明，所提出的方法实现了更高的准确性，并降低了标准偏差的预测误差在病变面积与其他模型具有类似的整体性能。

2022-08-30cs.CVeess.IV

利用自集成病灶融合构建准确且可泛化的多发性硬化病灶分割模型

Towards an accurate and generalizable multiple sclerosis lesion segmentation model using self-ensembled lesion fusion

Johns Hopkins University（约翰霍普金斯大学）；National Institutes of Health（美国国立卫生研究院）

本文基于未修改的U-Net架构，提出测试时自集成病灶融合策略，并结合实例归一化，在ISBI 2015挑战赛数据上取得最佳性能，同时提升模型在不同扫描仪临床数据上的泛化能力。

2023-12-03cs.CVeess.IV

用于深度多发性硬化症病灶分割的几何损失

Geometric Loss for Deep Multiple Sclerosis lesion Segmentation

Cornell University（康奈尔大学）；Weill Cornell Medical College（威尔康奈尔医学院）；University of Pennsylvania（宾夕法尼亚大学）

针对多发性硬化症病灶占比小且异质导致的分割难题，提出包含病灶一阶和二阶几何信息的几何损失函数以加强正则化，在多数据集上优于现有方法。

2020-09-29cs.CVeess.IV

使用深层神经网络同时分割多发性硬化的病变和神经解剖

Simultaneous lesion and neuroanatomy segmentation in Multiple Sclerosis using deep neural networks

Inselspital, Bern University Hospital（伯尔尼大学医院（Inselspital））；Spital Tiefenau（Tiefenau医院）；Medizinisch Radiologisches Institut（医学放射学研究所）；University of Bern（伯尔尼大学）

白质病变和深部灰质结构的分割是多发性硬化症磁共振成像量化的一项重要任务。在本文中，我们探讨了基于卷积神经网络（CNN）的分割解决方案，用于在多模态MR成像中提供快速，可靠的病变和灰质结构分割，以及这些方法在应用于偏离中心数据时的性能。我们在2016年MSSEG训练数据集上训练了两种最先进的全卷积CNN架构，该数据集由七位独立的人类评分员注释：3D Unet的参考实现，以及最近提出的3D到2D架构（DeepSCAN）。然后，我们在来自单个中心的更大数据集上重新训练了这些方法，其中包括其他大脑结构的标签。我们量化了由于数据集转移而导致的性能变化，以及通过添加额外的大脑结构标签而导致的性能变化。我们还将性能与免费提供的参考方法进行了比较。当在MSSEG数据集的交叉验证中进行训练和评估时，两种全卷积CNN方法的性能都大大优于文献中的其他方法，在人类评分员间变异性的范围内与人类评分员一致。这两种架构在单中心数据上训练并在MSSEG数据集上测试时表现出性能下降。当添加来自Freesurfer的弱解剖标签进行训练时，3D Unet的性能下降，而DeepSCAN网络的性能提高。总体而言，预测病变和解剖标记的DeepSCAN网络是检查的性能最好的网络。

2020-11-11cs.CV

基于纵向数据时空学习的多发性硬化病灶分割

Spatio-temporal Learning from Longitudinal Data for Multiple Sclerosis Lesion Segmentation

Technical University of Munich（慕尼黑工业大学）；University of Ljubljana（卢布尔雅那大学）；Johns Hopkins University（约翰斯·霍普金斯大学）

在纵向脑MR扫描中执行多发性硬化（MS）病变的分割以监测MS病变的进展。我们假设纵向数据中的时空线索可以帮助分割算法。因此，我们提出了一种多任务学习方法，通过定义两个时间点之间的变形配准的辅助自监督任务来引导神经网络从时空变化中学习。我们展示了我们的方法在由70名患者组成的临床数据集上的有效性，每个患者都有一项随访研究。我们的研究结果表明，纵向数据中的时空信息是一个有益的线索，提高分割。我们将目前最先进的结果在总体评分方面提高了2.6%（p<0.05）。代码是公开的。

2020-09-26cs.CVeess.IV

使用卷积神经网络的多发性硬化病变分割中的单次领域自适应

One-shot domain adaptation in multiple sclerosis lesion segmentation using convolutional neural networks

University of Girona（赫罗纳大学）；Assiut University（艾斯尤特大学）；Vall d’Hebron University Hospital（瓦尔德希伯伦大学医院）；Girona Magnetic Resonance Center（赫罗纳磁共振中心）；Dr. Josep Trueta University Hospital（何塞普·特鲁埃塔大学医院）

近年来，几种卷积神经网络（CNN）方法已被提出用于多发性硬化症（MS）患者图像的自动白质病变分割，由于其优越的性能与其他国家的最先进的方法相比。然而，与用于训练的方法相比，在不同图像域上进行评估时，CNN方法的准确性往往会显著降低，这表明CNN对看不见的成像数据缺乏适应性。在这项研究中，我们分析了强度领域自适应对我们最近提出的基于CNN的MS病变分割方法的影响。给定在两个公共MS数据集上训练的源模型，我们研究了CNN模型在应用于其他MRI扫描仪和协议时的可转移性，评估了新领域所需的注释图像的最小数量以及重新训练所需的最小层数，以获得可比的准确性。我们的分析包括来自临床中心和公共ISBI 2015挑战数据库的MS患者数据，这使我们能够将我们模型的领域自适应能力与其他最先进方法的能力进行比较。对于ISBI 2015挑战，我们仅使用单个图像训练的单次领域自适应模型显示出与使用整个可用训练集进行完全训练的其他CNN方法相似的性能，从而产生可与人类专家评分器性能相当的性能。我们相信，我们的实验将鼓励MS社区将其用于不同的临床环境，减少注释数据的数量。这种方法不仅在描绘MS病变的准确性方面，而且在手动标记病变的时间和经济成本的相关减少方面都是有意义的。

2018-05-31cs.CV

多发性硬化脑纵向成像中的自我监督病灶变化检测和定位

Self-supervised Lesion Change Detection and Localisation in Longitudinal Multiple Sclerosis Brain Imaging

Flinders University（弗林德斯大学）；Flinders Medical Centre（弗林德斯医疗中心）；Dr Jones & Partners Medical Imaging（琼斯博士及合伙人医疗影像中心）；University of Oxford（牛津大学）；University of Adelaide（阿德莱德大学）

纵向成像形成了许多医疗状况的管理和随访的重要组成部分。序列成像中病变变化的存在可能对临床决策产生重大影响，突出了自动变化检测的重要作用。病变变化可以代表序列成像中的异常，这意味着注释的可用性有限，并且需要考虑各种可能的变化。因此，我们引入了一种新的无监督的异常检测和定位方法，该方法专门使用不包含任何病变变化的序列图像进行训练。我们的训练自动合成序列图像中的病变变化，引入检测和定位伪标签，用于自我监督模型的训练。考虑到合成图像中这些病变变化的罕见性，我们用不平衡鲁棒焦点Tversky损失训练模型。与在不同数据集上训练的监督模型相比，我们的方法在多发性硬化症患者纵向磁共振成像上新脱髓鞘病变的检测和定位方面表现出竞争力。这些模型的代码将在GitHub上提供。

2021-06-02cs.CVeess.IV

SegHeD+：基于解剖约束和病灶感知增强的多发性硬化病灶异构数据分割

SegHeD+: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints and Lesion-aware Augmentation

Imperial College London（帝国理工学院）；Data Science Institute, Imperial College London（帝国理工学院数据科学研究所）；UK Dementia Research Institute, Imperial College London（帝国理工学院英国痴呆症研究所）；Rosalind Franklin Institute（罗莎琳德·富兰克林研究所）

针对MS病灶分割中数据异构问题，提出SegHeD+模型，融合解剖约束与病灶级增强，在五个数据集上超越现有方法。

2024-12-14cs.CVcs.LG

基于MRI的扫描仪不变多发性硬化病灶分割

Scanner Invariant Multiple Sclerosis Lesion Segmentation from MRI

Istituto Italiano di Tecnologia（意大利理工学院）；Simon Fraser University（西蒙弗雷泽大学）；University of Verona（维罗纳大学）；Fondation Campus Biotech（生物科技园区基金会）；University of British Columbia（不列颠哥伦比亚大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）

本文提出了一种简单而有效的推广方法，磁共振成像（MRI）分割时，数据收集从多个MRI扫描站点，并因此受到（网站）域移位。我们建议将传统的编码器-解码器网络与正则化网络相结合。这个增加的网络包括一个辅助损失项，它负责减少域移位问题和由此产生的改进的泛化。所提出的方法进行了评估，从MRI数据的多发性硬化病变分割。我们在一个内部临床数据集上测试了所提出的模型，该数据集包括来自56个不同扫描部位的117名患者。在实验中，我们的方法表现出更好的泛化性能比其他基线网络。

2019-10-22cs.CVeess.IV

用于多发性硬化病变活动性分割的4D深度学习

4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation

Institute of Medical Technology, Hamburg University of Technology（汉堡工业大学医学技术研究所）；jung diagnostics GmbH（荣格诊断有限公司）；Department of Neurology, University Hospital Zurich and University of Zurich（苏黎世大学医院与苏黎世大学神经病学系）

多发性硬化病变活动分割是检测基线和随访脑MRI扫描之间出现的新的和扩大的病变的任务。虽然用于单扫描病变分割的深度学习方法很常见，但用于病变活动的深度学习方法最近才被提出。这里，双路径架构处理来自两个时间点的两个3D MRI体积。在这项工作中，我们研究了使用MRI体积的历史将这个问题扩展到全4D深度学习，从而扩展基线是否可以提高性能。为此，我们设计了一个经常性的多编码器-解码器架构处理4D数据。我们发现，添加更多的时间信息是有益的，我们提出的架构优于以前的方法，病变明智的真阳性率为0.84，病变明智的假阳性率为0.19。

2020-05-29cs.CVeess.IVq-bio.QM

非对称损失函数和深度密集连接网络用于高度不平衡医学图像分割：应用于多发性硬化病变检测

Asymmetric Loss Functions and Deep Densely Connected Networks for Highly Imbalanced Medical Image Segmentation: Application to Multiple Sclerosis Lesion Detection

Boston Children's Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；Northeastern University（东北大学）

全卷积深度神经网络被认为是快速精确的框架，在图像分割方面具有巨大的潜力。训练这种网络的主要挑战之一是当数据不平衡时，这在许多医学成像应用中是常见的，例如病变分割，其中病变类体素的数量通常比非病变体素少得多。具有不平衡数据的经训练的网络可以做出具有高精度和低召回率的预测，严重偏向于非病变类，这在FN比FP更重要的大多数医疗应用中是特别不期望的。已经提出了各种方法来解决这个问题，最近的相似性损失函数和焦点损失。在这项工作中，我们使用非对称相似性损失函数训练了完全卷积的深度神经网络，以减轻数据不平衡的问题，并在精度和召回率之间实现更好的权衡。为此，我们开发了一个3D FC-DenseNet，其中大的重叠图像块作为输入，并基于Tversky索引（使用Fbeta分数）开发了一个非对称相似性损失层。我们使用大的重叠图像补丁作为输入的内在和外在的数据增强，补丁选择算法，和补丁预测融合策略，使用B样条加权软投票，占补丁边界的预测的不确定性。我们基于MSSEG和ISBI纵向MS病变分割挑战的两个不同数据集将该方法应用于MS病变分割，其中我们在这两个挑战中均获得了最佳性能。根据ISBI挑战总分，我们的网络使用局灶性丢失训练排名第一，并且在所有提交的方法中报告的病变假阳性率最低。我们的网络训练与不对称的相似性损失导致最低的表面距离和最好的病变真阳性率。

2018-12-13cs.CV

RSANet：用于多发性硬化病灶分割的循环逐切片注意力网络

RSANet: Recurrent Slice-wise Attention Network for Multiple Sclerosis Lesion Segmentation

Cornell University（康奈尔大学）；Weill Medical College of Cornell University（康奈尔大学威尔医学院）；Hunter College Campus Schools（亨特学院附属学校）

本文提出RSANet，通过将3D MRI建模为切片序列并以循环方式捕获长程依赖，有效利用上下文信息，在多发性硬化病灶分割任务上优于现有最先进方法。

2020-02-27cs.CVeess.IV

多发性硬化脑图像的特定对象病变生成和伪健康合成

Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for Multiple Sclerosis Brain Images

Imperial College London（帝国理工学院）；UK Dementia Research Institute（英国痴呆症研究所）

了解脑病变的强度特征是神经学研究中定义基于图像的生物标志物以及预测疾病负担和结果的关键。在这项工作中，我们提出了一种新的前景为基础的生成方法建模的局部病变特征，既可以生成合成病变的健康图像和合成特定的伪健康图像从病理图像。此外，所提出的方法可以用作数据增强模块来生成用于训练脑图像分割网络的合成图像。在磁共振成像（MRI）上采集的多发性硬化症（MS）脑图像上的实验表明，该方法可以生成高度逼真的伪健康和伪病理脑图像。与传统的数据增强方法以及最近的病变感知数据增强技术CarveMix相比，使用合成图像的数据增强提高了脑图像分割性能。该代码将在https://github.com/dogabasaran/lesion-synthesis上发布。

2022-08-03cs.CVcs.LGeess.IV

多发性硬化早期白质病变分割的浅与深度学习架构

Shallow vs deep learning architectures for white matter lesion segmentation in the early stages of multiple sclerosis

Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of Lausanne（洛桑大学）；Siemens Healthcare AG（西门子医疗股份公司）；Lausanne University Hospital（洛桑大学医院）；University Hospital Basel（巴塞尔大学医院）；University of Basel（巴塞尔大学）

在这项工作中，我们提出了一个浅的和一个深度学习架构的自动分割白质病变的多发性硬化症患者的MR图像的比较。特别是，我们对早期疾病患者进行训练和测试这两种方法，以验证它们在具有挑战性的条件下的性能，比多发性硬化症分割挑战中通常提供的更类似于临床环境。此外，我们评估了一个原型天真的两种方法的组合，细化最终的分割。所有方法都在32名患者上进行了训练，并在73例患者的纯测试集上进行了评估。结果显示，深度学习架构的病变方面的假阳性率较低（30%），而浅层架构产生最佳的Dice系数（63%）和体积差异（19%）。结合浅层和深层架构进一步提高了病变方面的指标（病变方面的真阳性率和假阳性率分别为69%和26%）。

2018-09-10cs.CVcs.LGstat.ML

基于注意力引导双路径CNN的多发性硬化病变活动分割

Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs

Hamburg University of Technology（汉堡工业大学）；jung diagnostics GmbH（jung diagnostics 有限公司）；University Hospital Zurich（苏黎世大学医院）；University of Zurich（苏黎世大学）；Technische Universität Dresden（德累斯顿工业大学）

多发性硬化症是一种以中枢神经系统病变为特征的炎性自身免疫性脱髓鞘疾病。通常，磁共振成像（MRI）用于跟踪疾病进展。自动图像处理方法可用于分割病变并导出定量病变参数。到目前为止，方法集中于针对个体MRI扫描的病变分割。然而，对于监测疾病进展，\textit{lesion activity}在两个时间点之间的新发和扩大病变方面是一种关键的生物标志物。对于这个问题，已经提出了几种经典的方法，例如，使用不同的体积。尽管它们在单体积病变分割方面取得了成功，但深度学习方法在病变活动分割方面仍然很少见。在这项工作中，研究了卷积神经网络（CNN）从两个时间点进行病变活动分割。为了完成这项任务，CNN被设计和评估，以不同的方式结合来自两个点的信息。特别地，提出了具有注意力引导的交互的双路径架构，其使得两个时间点的处理路径之间能够进行有效的信息交换。研究表明，基于深度学习的方法优于经典方法，并且注意力引导的交互显着提高了性能。此外，注意力模块会产生看似合理的注意力地图，这些地图具有掩盖效应，抑制了旧的、不相关的病变。病变方面的假阳性率为26.4%，而真阳性率为74.2%，这与评估者间的表现没有显著差异。

2020-08-05cs.CVeess.IV

多发性硬化中边缘病变的合成生成与潜在投影去噪

Synthetic Generation and Latent Projection Denoising of Rim Lesions in Multiple Sclerosis

提出一种生成合成定量磁化率图并利用生成网络投影能力进行边缘病变标签去噪的方法，有效缓解类别不平衡问题，提升多发性硬化中顺磁性边缘病变的检测性能。

2025-05-29cs.AIcs.CVeess.IV

基于治疗条件化的时空条件扩散模型用于预测未来多发性硬化病灶掩码

Spatio-Temporal Conditional Diffusion Models for Forecasting Future Multiple Sclerosis Lesion Masks Conditioned on Treatments

McGill University（麦吉尔大学）；Mila – Quebec AI Institute（魁北克人工智能研究所）

提出首个治疗感知的时空扩散模型，结合多模态患者数据预测多发性硬化未来病灶演变，在多中心数据集上准确预测六种治疗下的病灶掩码，并支持病灶计数、活动性分类及反事实生成等临床应用。

2025-08-09cs.CVeess.IV

CoactSeg：从异构数据中学习用于新多发性硬化病灶分割

CoactSeg: Learning from Heterogeneous Data for New Multiple Sclerosis Lesion Segmentation

SenseTime Research（商汤科技研究院）；Monash University（莫纳什大学）；Alfred Health（阿尔弗雷德健康）

提出CoactSeg框架利用异构数据（双时间点新病灶标注与单时间点全病灶标注）进行多发性硬化新病灶分割，通过统一输入输出设计与纵向关系正则化提升分割性能。

2023-09-15cs.CVeess.IV

多发性硬化病变脑MRI检测方法文献

A Bibliography of Multiple Sclerosis Lesions Detection Methods using Brain MRIs

University of Oulu（奥卢大学）；KFUPM（法赫德国王石油与矿业大学）；King Fahd Specialist Hospital Dammam（达曼法赫德国王专科医院）

多发性硬化症（MS）是一种慢性疾病，影响全球数百万人。MS可以严重影响中枢神经系统的不同器官，如眼睛，脊髓和大脑。背景：为了帮助医生诊断MS病变，计算机辅助方法被广泛使用。在这方面，已经在磁共振图像（MRI）中的MS病变的自动检测和分割领域中进行了相当多的研究。方法：在这项研究中，我们回顾了不同的方法，已被用于计算机辅助检测和分割的MS病变。我们的综述将MS病变分割方法分为六大类：数据驱动、统计、监督机器学习、无监督机器学习、模糊和基于深度学习的技术。我们批判性地分析了这些方法下的不同技术，并强调了它们的优点和缺点。结果如下：从这项研究中，我们观察到相当多的工作（约25%的相关文献）集中在基于解剖学的MS病变分割技术上，其次是基于数据驱动的方法，占21.15%，深度学习占19.23%，监督方法占15.38%。启示：该研究指出了未来研究中需要解决的挑战/差距。该研究显示了在过去十年中在MS病变的检测和分割方面所做的工作。结果表明，近年来，深度学习方法的表现优于所有其他方法。

2023-02-19cs.CVeess.IV

RimSet：在定量磁化率图上定量识别和表征慢性活动性多发性硬化病灶

RimSet: Quantitatively Identifying and Characterizing Chronic Active Multiple Sclerosis Lesion on Quantitative Susceptibility Maps

Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系）；Department of Radiology, Weill Medical College of Cornell University（康奈尔大学韦尔医学院放射科）；Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西尔伯学校机械与航空航天工程系）；Department of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程系）

RimSet结合无监督分割与影像组学，在QSM上定量识别和表征MS的Rim+病灶，性能优于现有方法，并与专家标注高度相关。

2025-10-07cs.CVeess.IV

多发性硬化全脑和病灶同时纵向分割方法

A Longitudinal Method for Simultaneous Whole-Brain and Lesion Segmentation in Multiple Sclerosis

Technical University of Denmark（丹麦技术大学）；Athinoula A. Martinos Center for Biomedical Imaging（阿西努拉·A·马丁诺斯生物医学成像中心）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Technical University of Munich（慕尼黑工业大学）

在本文中，我们提出了一种新的方法分割纵向脑MRI扫描的患者患有多发性硬化症。该方法建立在现有的同时全脑和病变分割的横截面方法，引入特定于主题的潜在变量，以鼓励纵向扫描之间的时间一致性。它非常普遍适用，因为它没有对扫描仪、MRI协议或纵向随访扫描的数量和时间做出任何预先假设。三个纵向数据集上的初步实验表明，该方法产生更可靠的分割和检测疾病的影响比横截面的方法，它是基于。

2020-09-15cs.CVcs.LGeess.IV

基于非局部部分卷积的多发性硬化病变修复

Multiple Sclerosis Lesion Inpainting Using Non-Local Partial Convolutions

多发性硬化（MS）是中枢神经系统（CNS）的炎性脱髓鞘疾病，其导致灰质和白质的局灶性损伤。白质病变的存在使形态测量分析（如配准、个体纵向测量和脑体积测量的组织分割）产生偏差。利用从周围健康组织导出的强度进行损伤修补代表了减轻这种问题的一种方法。然而，现有的方法基于从局部周围组织导出的纹理信息来修复病变，通常导致不一致的修复和诸如强度差异和模糊的伪影的生成。基于这些观察，我们提出了非局部部分卷积（NLPC），它将Unet类网络与非局部模块集成在一起。利用非本地模块来捕获病变区域和其余正常出现的大脑区域之间的长程依赖关系。然后，通过参考具有更相似特征的正常外观区域来填充病变区域。此方法生成的修复区域看起来更真实、更自然。我们的定量实验结果也证明了这种技术的现有国家的最先进的修复方法的优越性。

2019-09-06cs.CVcs.LGstat.ML

多发性硬化的脑磁共振成像分析技术及临床应用

Multiple Sclerosis Lesion Analysis in Brain Magnetic Resonance Images: Techniques and Clinical Applications

University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）；Sydney Neuroimaging Analysis Centre（悉尼神经影像分析中心）

多发性硬化症（MS）是中枢神经系统的慢性炎症性和退行性疾病，其特征在于白质和灰质中出现局灶性病变，其与个体患者的神经症状和体征在地形上相关。磁共振成像（MRI）提供了详细的体内结构信息，允许量化和分类的MS病变，关键通知疾病管理。传统上，MS病变已经在2D MRI切片上手动注释，这是一个效率低下且易于发生观察者间/观察者内错误的过程。最近，已经提出了自动统计成像分析技术来基于MRI体素强度检测和分割MS病变。然而，它们的有效性受到MRI数据采集技术和MS病变外观的异质性的限制。通过直接从图像中学习复杂的病变表示，深度学习技术在MS病变分割任务中取得了显著突破。在这里，我们全面回顾了最先进的自动统计和深度学习MS分割方法，并讨论了当前和未来的临床应用。此外，我们审查技术策略，如领域自适应，以提高MS病变分割在现实世界的临床设置。

2022-01-28cs.CVeess.IVstat.AP

迈向可泛化的多发性硬化症病灶分割模型

Toward Generalizable Multiple Sclerosis Lesion Segmentation Models

National Institute for Research and Development in Informatics（国家信息学研究与发展研究所）

本文系统利用多个公开MS病灶数据集训练UNet++，通过数据合并与MRI强度分位数归一化提升跨数据集泛化性能，且模型超过MICCAI-2016竞赛获胜者。

2024-10-25cs.CVeess.IV

新型结构尺度不确定性度量与误差保留曲线：应用于多发性硬化

Novel structural-scale uncertainty measures and error retention curves: application to multiple sclerosis

Lausanne University Hospital（洛桑大学医院）；University of Lausanne（洛桑大学）；University of Applied Sciences of Western Switzerland（瑞士西部应用科学大学）；University of Cambridge（剑桥大学）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）；University Hospital Basel（巴塞尔大学医院）；IBM Research Europe（IBM欧洲研究院）

本研究提出不依赖体素不确定性的新型病变尺度不确定性度量，并扩展误差保留曲线框架，在多中心58例患者测试集上验证其优于现有度量，用于多发性硬化MRI白质病变分割。

2022-11-11cs.CVeess.IV

SegHeD：结合解剖学约束的多发性硬化症病灶异构数据分割

SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints

Imperial College London（伦敦帝国学院）；Data Science Institute, Imperial College London（伦敦帝国学院数据科学研究所）；Beijing Institute of Technology（北京理工大学）；UK Dementia Research Institute（英国痴呆症研究所）；Rosalind Franklin Institute（罗莎琳德·富兰克林研究所）

针对MS病灶数据多中心、格式与标注异构的问题，提出多数据集多任务模型SegHeD，融合纵向、空间和体积约束，实现全病灶、新发及消失病灶分割，并在五个数据集上超越现有方法。

2024-10-02cs.CVcs.LGeess.IV

医院间多发性硬化病变的分割：不断学习还是从头开始训练？

Segmentation of Multiple Sclerosis Lesions across Hospitals: Learn Continually or Train from Scratch?

Polytechnique Montreal（蒙特利尔理工学院）；MILA, Quebec AI Institute（魁北克人工智能研究所MILA）；CHU Rennes（雷恩大学中心医院）；CHU Montpellier（蒙彼利埃大学中心医院）；Karolinska Institutet（卡罗林斯卡学院）；University of California, San Francisco（加州大学旧金山分校）；National Institute of Neurological Disorders and Stroke, National Institutes of Health（美国国立卫生研究院国家神经疾病与中风研究所）；IRCCS San Raffaele Scientific Institute（IRCCS圣拉斐尔科学研究所）；Vita-Salute San Raffaele University（圣拉斐尔生命健康大学）；Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）；AP-HM, CHU Timone（马赛公共医院集团蒂莫内大学中心医院）；Aix-Marseille Univ（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）

多发性硬化（MS）病变的分割是一个具有挑战性的问题。近年来，已经提出了几种基于深度学习的方法。然而，大多数方法往往是静态的，也就是说，在一个大型的专门数据集上训练的单个模型，不能很好地泛化。相反，该模型应该通过以连续的方式建立病变的特征来学习从不同医院顺序到达的数据集。在这方面，我们探索经验重放，一个众所周知的持续学习方法，在MS病变分割的背景下，从8个不同的医院多对比数据。我们的实验表明，重放是能够实现正的向后转移，减少灾难性遗忘相比，顺序微调。此外，重放优于多域训练，从而成为MS病变分割的有前途的解决方案。该代码可在此链接：https://github.com/naga-karthik/continual-learning-ms

2022-10-27cs.CVcs.LG

脊髓多发性硬化病变的自动分割：如何在MRI对比中推广？

Automatic segmentation of spinal multiple sclerosis lesions: How to generalize across MRI contrasts?

Polytechnique Montreal（蒙特利尔理工学院）；University of Montreal（蒙特利尔大学）；CRIUGM（蒙特利尔大学神经科学研究所）

尽管最近在医学图像分割方面有所改进，但在成像对比度上进行概括的能力仍然是一个悬而未决的问题。为了应对这一挑战，我们实现了逐行线性调制（Film），以利用分割模型中的物理知识并学习每个对比度的特征。有趣的是，优化良好的U-Net在多对比度数据集上达到了与我们的FiLMed-Unet相同的性能（Dice评分为0.72），这表明脊柱MS病变分割存在瓶颈，与不同对比度的泛化不同。这个瓶颈可能源于评分者间的差异，在我们的数据集中，Dice评分估计为0.61。

2020-06-03cs.CVcs.LGeess.IV

不确定性的可解释性：探索多发性硬化症中的皮层病变分割

Interpretability of Uncertainty: Exploring Cortical Lesion Segmentation in Multiple Sclerosis

University of Lausanne（洛桑大学）；Lausanne University Hospital（洛桑大学医院）；University of Applied Sciences Western Switzerland (HES-SO)（瑞士西部应用科学大学（HES-SO））；CIBM Center for Biomedical Imaging（CIBM生物医学成像中心）；University Hospital and University Basel（巴塞尔大学医院与巴塞尔大学）；University of Genova（热那亚大学）；University of Geneva（日内瓦大学）

本文研究多发性硬化症皮层病变分割中实例级不确定性的可解释性，展示UQ可用于可靠性评估、模型行为洞察、偏差检测及方法验证。

2024-07-08cs.CVeess.IV

ModDrop ++：一种用于缺失模态的多发性硬化病变分割的受试者内协同训练动态过滤网络

ModDrop++: A Dynamic Filter Network with Intra-subject Co-training for Multiple Sclerosis Lesion Segmentation with Missing Modalities

Vanderbilt University（范德堡大学）

多发性硬化（MS）是一种慢性神经炎性疾病，多模态MRI通常用于监测MS病变。已经开发了许多自动MS病变分割模型，并且已经达到人类水平的性能。然而，大多数已建立的方法假设在训练期间使用的MRI模态在测试期间也可用，这在临床实践中不能保证。之前，已将称为模态丢弃（ModDrop）的训练策略应用于MS病变分割，以实现缺失模态的最新性能。在本文中，我们提出了一种新的方法称为ModDrop++训练一个统一的网络自适应任意数量的输入MRI序列。ModDrop++在两个关键方面升级了ModDrop的主要思想。首先，我们设计了一个即插即用的动态头，并采用过滤器缩放策略来提高网络的表现力。其次，我们设计了一个联合训练策略，以利用完整情态和缺失情态之间的主体内关系。具体而言，受试者内协同训练策略旨在引导动态头部在来自同一受试者的完整模态数据和缺失模态数据之间生成相似的特征表示。我们使用两个公开的MS数据集来展示ModDrop++的优越性。源代码和训练模型可在https://github.com/han-liu/ModDropPlusPlus上获得。

2022-07-01cs.CVeess.IV

用卷积神经网络自动分割脊髓和髓内多发性硬化病变

Automatic segmentation of the spinal cord and intramedullary multiple sclerosis lesions with convolutional neural networks

Polytechnique Montreal（蒙特利尔理工学院）；University of Montreal（蒙特利尔大学）；Zuckerberg San Francisco General Hospital（扎克伯格旧金山综合医院）；University of California（加利福尼亚大学）；Montreal Neurological Institute（蒙特利尔神经学研究所）；Capital Medical University（首都医科大学）；Xuanwu Hospital（宣武医院）；Beijing Tiantan Hospital（北京天坛医院）；Karolinska Institutet（卡罗林斯卡学院）；Massachusetts General Hospital（麻省总医院）；CHU Rennes（雷恩大学医学中心）；Univ Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；IRISA（法国计算机与随机系统研究所）；University Hospital of Montpellier（蒙彼利埃大学医院）

多发性硬化症（MS）患者的脊髓经常受到萎缩和/或病变的影响。从MRI数据中分割脊髓和病变提供了损伤的测量，这是MS诊断，预后和纵向监测的关键标准。自动化此操作消除了评估者之间的差异，并提高了大通量分析管道的效率。由于与采集参数和图像伪影相关的较大可变性，跨多部位脊髓数据的稳健且可靠的分割具有挑战性。本研究的目的是开发一种全自动框架，对图像参数和临床条件的变化具有鲁棒性，用于从常规MRI数据中分割脊髓和髓内MS病变。本多中心研究纳入了1，042例受试者（459例健康对照、471例MS患者和112例其他脊柱病变）的扫描（n=30）。数据跨越三个对比（T1加权、T2加权和T2* 加权），共计1，943个体积。所提出的脊髓和病变自动分割方法是基于两个卷积神经网络（CNN）的序列。为了处理与体积的其余部分相比非常小比例的脊髓和/或病变体素，具有2D扩张卷积的第一CNN检测脊髓中心线，随后是具有分割脊髓和/或病变的3D卷积的第二CNN。当与手动分割相比时，我们基于CNN的方法显示出95%的中位数Dice，而PropSeg是最先进的脊髓分割方法，为88%。关于MS数据上的病变分割，我们的框架提供了60%的Dice，约15%的相对体积差异，以及分别为83%和77%的病变检测灵敏度和精确度。拟议的框架是开源的，并随时可在脊髓神经元。

2018-09-11cs.CV

重新思考多发性硬化症（MS）病灶分割模型的评估

Rethinking Evaluation of Multiple Sclerosis (MS) Lesion Segmentation Models

eBRAIN Lab, Division of Engineering, New York University (NYU) Abu Dhabi（eBRAIN实验室，工程学院，纽约大学（纽约大学阿布扎克分校））

本文重新审视MS病灶分割模型的评估方法，提出问题指纹分析以量化模型在实际医疗场景中的性能，分析现有模型在两个公开数据集上的表现。

2026-05-10cs.AIcs.CV

增强CNN和不确定性建模以改进磁共振成像中多发性硬化病变的自动识别/分割

Ensemble CNN and Uncertainty Modeling to Improve Automatic Identification/Segmentation of Multiple Sclerosis Lesions in Magnetic Resonance Imaging

University of LAquila（拉奎拉大学）；Sapienza University of Rome（罗马第一大学）

迄今为止，已经提出了几种使用磁共振成像（MRI）识别/分割多发性硬化（MS）病变的自动化策略，但它们的表现优于人类专家，它们的行为与人类专家非常不同。这主要是由于：由MRI不稳定性引起的不确定性; MS的特殊变异性; MRI对MS的非特异性。医生部分地管理由依赖于放射学/临床/解剖学背景和经验的不确定性产生的不确定性。为了模拟人类诊断，我们提出了一个自动化的框架，识别/分割的MS病变的MRI基于三个关键概念：1。不确定性模型; 2。提出两个单独训练的CNN，一个针对病变优化，另一个针对病变相对于它们周围的环境优化，分别针对轴向、冠状和矢状方向重复; 3.集成分类器的定义，以合并由不同的CNN收集的信息。所提出的框架在2016年MSSEG基准公共数据集上进行了训练、验证和测试，这些数据来自单一成像模式，即流体衰减反转恢复（FLAIR）。与地面实况和7名人类评分员的比较证明，自动评分员和人类评分员之间没有显着差异。

2022-06-20cs.AIcs.CVeess.IV

7 T MRI自动检测多发性硬化患者的皮质病变

Automated Detection of Cortical Lesions in Multiple Sclerosis Patients with 7T MRI

Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of Lausanne（洛桑大学）；Lausanne University Hospital（洛桑大学医院）；National Institute of Neurological Disorders and Stroke（美国国家神经疾病与卒中研究所）；National Institutes of Health（美国国立卫生研究院）；University of Bern（伯尔尼大学）；University of Pennsylvania（宾夕法尼亚大学）；Cedars-Sinai Medical Center（西达赛奈医疗中心）

多发性硬化症（MS）患者皮质病变（CL）的自动检测是一项具有挑战性的任务，尽管其临床相关性，但很少受到关注。小而稀少的病变的准确检测需要专门的序列和高或超高场MRI。对于基于7 T下的多模态结构MRI的监督训练，两位专家生成了60名具有2014 CL的患者的地面真实分割掩码。我们实现了一个简化的3D U-Net，具有三个分辨率级别（3D U-Net-）。通过增加任务的复杂性（添加脑组织分割），同时在训练期间随机丢弃输入通道，我们与基线相比提高了性能。考虑到最小病变尺寸为0.75 μL，我们实现了67%的病变皮质病变检出率和42%的假阳性率。然而，393例（24%）报告为假阳性的病变被专家事后确认为潜在或明确病变。这表明所提出的方法，以支持专家在CL手动分割的繁琐过程中的潜力。

2020-08-15cs.CVcs.LGeess.IV

自基线MRI对多发性硬化患者未来病变活动性和治疗效果的个性化预测

Personalized Prediction of Future Lesion Activity and Treatment Effect in Multiple Sclerosis from Baseline MRI

McGill University（麦吉尔大学）；MILA Quebec AI Institute（魁北克人工智能研究所（MILA））；Montreal Neurological Institute（蒙特利尔神经学研究所）

针对多发性硬化症（MS）等慢性疾病的精准医学涉及选择一种最能平衡疗效和副作用/个体患者偏好的治疗方法。尽早做出这种选择很重要，因为延迟找到有效的治疗方法可能导致不可逆转的残疾累积。为此，我们提出了第一个深度神经网络模型，用于MS患者的基线磁共振成像（MRI）（如果有临床信息）的个性化治疗决策。我们的模型（a）预测了多种治疗的随访MRI上未来新发和扩大的T2加权（NE-T2）病变计数，（b）估计了条件平均治疗效应（CATE），定义为相对于安慰剂，不同治疗方案之间NE-T2病变的预测未来抑制。我们的模型在四个多中心随机临床试验期间从MS患者获得的1817个多序列MRI的专有联合数据集上进行了验证。我们的框架在五种不同治疗的未来NE-T2病变的二值化回归中实现了高平均精度，识别了异质性治疗效果，并提供了考虑治疗相关风险（例如副作用，患者偏好，管理困难）的个性化治疗建议。

2022-09-21cs.CVcs.LGeess.IV

一种基于对比度自适应的多发性硬化全脑和病灶同时分割方法

A Contrast-Adaptive Method for Simultaneous Whole-Brain and Lesion Segmentation in Multiple Sclerosis

Technical University of Denmark（丹麦技术大学）；Copenhagen University Hospital Hvidovre（哥本哈根大学医院维兹奥勒医院）；Medical Image Analysis Center (MIAC AG)（医学图像分析中心（MIAC AG））；Technical University of Munich（慕尼黑工业大学）；Copenhagen University Hospital Bispebjerg（哥本哈根大学医院比斯佩比约医院）；University of Copenhagen（哥本哈根大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）

在这里，我们提出了一种方法，同时分割白质病变和正常出现的神经解剖结构的多发性硬化症患者的多对比度脑MRI扫描。该方法将一种新的模型白质病变到一个以前验证的生成模型全脑分割。通过对解剖结构的形状及其在MRI中的外观使用单独的模型，该算法可以适应用不同扫描仪和成像协议采集的数据，而无需重新训练。我们使用四个不同的数据集验证该方法，在白质病变分割中表现出强大的性能，同时分割数十个其他大脑结构。我们进一步证明，对比度自适应方法也可以安全地应用于健康对照的MRI扫描，并复制先前记录的MS深层灰质结构中的萎缩模式。该算法作为开源神经成像软件包FreeSurfer的一部分公开提供。

2020-10-16cs.CVcs.LGeess.IV

使用基于注意力的CNN分割FLAIR图像中的多发性硬化病变

Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in FLAIR Images

目的：多发性硬化（MS）是一种自身免疫性、脱髓鞘性疾病，可导致中枢神经系统损害。这种疾病可以使用磁共振成像（MRI）进行跟踪和诊断。到目前为止，许多多模态自动生物医学方法被用于分割病变，这在成本、时间和可用性方面对患者不利。本文的作者提出了一种方法，采用一种模式（FLAIR图像）分割MS病变准确。研究方法：受3D-ResNet和空间通道注意力模块的启发，设计了一种基于块的卷积神经网络（CNN）来分割MS病变。该方法分为三个阶段：（1）对原始图像进行对比度限制的自适应直方图均衡化（CLAHE），并将其与提取的边缘进行拼接，生成4D图像;以及（3）将提取的块传递到用于分割病变的基于注意力的CNN中。最后，将所提出的方法与相同数据集的先前研究进行了比较。结果：本研究使用ISIB挑战数据的测试集对模型进行了评估。实验结果表明，该方法显着优于现有的方法在骰子相似性和绝对体积差，而所提出的方法只使用一个模态（FLAIR）分割病变。结论：作者介绍了一种自动方法来分割病变，该方法最多基于两种模式作为输入。所提出的架构是由卷积，反卷积，和SCA-VoxRes模块作为一个注意力模块。实验结果表明，该方法具有较好的性能。

2022-01-05cs.AIcs.CVeess.IV

DeepLesionBrain：为多发性硬化病变分割提供更广泛的深度学习泛化

DeepLesionBrain: Towards a broader deep-learning generalization for multiple sclerosis lesion segmentation

Univ. Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立理工学院）；CNRS（法国国家科学研究中心）；INSERM（法国国家健康与医学研究院）；Neurocentre Magendie（马让迪神经中心）；Universitat Politècnica de València（瓦伦西亚理工大学）

最近，基于卷积神经网络（CNN）的分割方法在自动多发性硬化（MS）病变分割中表现出良好的性能。这些技术甚至在受控评估条件（例如纵向MS病变分割挑战（ISBI挑战））中优于人类专家。然而，经过训练在高度受控的数据集上表现良好的最先进的方法无法从看不见的数据集中概括临床数据。我们没有提出另一种改进分割精度的方法，而是提出了一种对域偏移具有鲁棒性并且在看不见的数据集上表现良好的新方法，称为DeepLesionBrain（DLB）。这种泛化特性主要来自三个方面。首先，DLB基于一大群紧凑的3D CNN。这种空间分布的策略确保了鲁棒的预测，尽管一些个别网络的泛化失败的风险。其次，DLB包括新的图像质量数据增强以减少对训练数据特异性的依赖性（例如，采集协议）。最后，为了学习MS病变的更一般化的表示，我们提出了分层专业化学习（HSL）。HSL是通过在整个大脑上预训练一个通用网络来执行的，然后使用其权重作为局部专用网络的初始化。为此，DLB学习在全局图像级提取的通用特征和在局部图像级提取的特定特征。在MSSEG '16、ISBI挑战和内部数据集上的跨数据集实验中验证了DLB泛化。在实验中，DLB显示出更高的分割精度，更好的分割一致性和更大的泛化性能相比，国家的最先进的方法。因此，DLB提供了一个非常适合临床实践的强大框架。

2021-07-23cs.CVeess.IV

整合影像组学与深度学习提升多发性硬化病灶勾画效果

Integrating Radiomics with Deep Learning Enhances Multiple Sclerosis Lesion Delineation

Skolkovo Institute of Science and Technology（斯克尔科夫科学与技术研究所）；Biomedically Informed Artificial Intelligence Laboratory（生物医学引导人工智能实验室）；University of Sharjah（沙迦大学）；College of Medicine and Health Sciences（医学与健康科学学院）；United Arab Emirates University（阿拉伯联合酋长国大学）

本研究提出将浓度率、Rényi熵等新型影像组学特征与原始影像融合，结合ResNeXt-UNet和注意力增强U-Net架构，有效提升了多发性硬化病灶分割的精度与模型稳定性。

2025-06-17cs.CVeess.IV

使用逐层相关传播揭示卷积神经网络决策用于诊断常规MRI上的多发性硬化症

Uncovering convolutional neural network decisions for diagnosing multiple sclerosis on conventional MRI using layer-wise relevance propagation

Charité – Universitätsmedizin Berlin（柏林夏里特医学院）；Freie Universität Berlin（柏林自由大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Berlin Institute of Health（柏林健康研究所）

基于机器学习的成像诊断最近已经达到或甚至取代了几个临床领域中的临床专家的水平。然而，经过训练的机器学习系统的分类决策通常是不透明的，这是临床整合、错误跟踪或知识发现的主要障碍。在这项研究中，我们提出了一个透明的深度学习框架，依赖于卷积神经网络（CNN）和分层相关传播（LRP）来诊断多发性硬化症（MS）。MS通常利用临床表现和常规磁共振成像（MRI）的组合进行诊断，特别是T2加权图像中白质病变的发生和表现。我们假设在朴素预测模型中使用LRP将使我们能够发现经过训练的CNN用于决策的相关图像特征。由于MS中的成像标记物是良好建立的，这将使我们能够验证相应的CNN模型。首先，我们对来自阿尔茨海默病神经成像倡议的MRI数据（n = 921）预训练CNN，然后专门化CNN以区分MS患者和健康对照（n = 147）。使用LRP，我们然后为holdout集中的每个主题生成热图，描绘特定分类决策的体素相关性。由此产生的CNN模型导致87.04%的平衡准确度和96.08%的受试者工作特征曲线的曲线下面积。随后的LRP可视化显示，CNN模型的重点确实是个别病变，但也纳入了额外的信息，如病变位置，非病变的白质或灰质区域，如丘脑，这是建立在MS的常规和先进的MRI标记。我们的结论是，LRP和建议的框架有能力作出诊断决策...

2019-04-18cs.CV

基于多尺度卷积-堆栈聚合的脑白质高信号分割

Multi-Scale Convolutional-Stack Aggregation for Robust White Matter Hyperintensities Segmentation

Technical University of Munich（慕尼黑工业大学）；Klinikum rechts der Isar（伊萨尔河畔临床医院）；University of Dundee（邓迪大学）

脑MR图像中大小白质高信号/病变的分割是一项具有挑战性的任务，近年来受到了广泛的关注。我们提出了一个多尺度聚合模型框架来处理体积变化的病变。首先，我们提出了一种专门设计的用于小病灶分割的网络，称为Stack-Net，其中连接了多个卷积层，旨在保留子采样层之前小病灶的丰富局部空间信息。其次，我们聚合具有不同感受野的多尺度Stack-Nets来学习大小病灶的多尺度上下文信息。我们的模型在最近的MICCAI WMH挑战数据集上进行了评估，并在5倍交叉验证下在病变回忆和病变F1评分方面优于最先进的模型。此外，我们进一步在多发性硬化病变数据集上测试了我们的预训练模型，其中30名受试者接受了跨中心评估。实验结果表明，该聚合模型在多尺度空间信息学习中具有较好的效果，并在挑战赛组织者的独立评价中获得隐藏测试集的第一名。此外，我们进一步在多发性硬化病变数据集上测试了我们的预训练模型，其中30名受试者接受了跨中心评估。结果表明，该聚合模型是有效的学习多尺度空间信息。

2019-02-27cs.CV

UNISELF：一种结合实例归一化和自融合病变融合的统一网络用于多发性硬化病变分割

UNISELF: A Unified Network with Instance Normalization and Self-Ensembled Lesion Fusion for Multiple Sclerosis Lesion Segmentation

Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore, MD 21218, USA（电气与计算机工程系，约翰霍普金斯大学）；Department of Electrical and Computer Engineering, Vanderbilt University, Nashville, TN 37215, USA（电气与计算机工程系，范德比尔特大学）；Department of Neurology, Johns Hopkins School of Medicine, Baltimore, MD 21287, USA（神经病学系，约翰霍普金斯医学院）；Department of Computer Science, Johns Hopkins University, Baltimore, MD 21218, USA（计算机科学系，约翰霍普金斯大学）；Department of Radiology, Uniformed Services University of the Health Sciences, Bethesda, MD, 20814, USA（放射学系，统一服务大学健康科学学院）

UNISELF通过实例归一化和自融合病变融合技术，在多发性硬化病变分割中实现高精度和强泛化能力。

2025-08-06cs.CVeess.IV

使用UNet和基于Transformer的分割方法自动检测多发性硬化症病变

Automated Detection of Multiple Sclerosis Lesions on 7-tesla MRI Using U-net and Transformer-based Segmentation

Department of Neurology, University of Maryland School of Medicine（马里兰大学医学院神经内科）；Baltimore VA Medical Center, VA Maryland Healthcare System（巴尔的摩退伍军人事务医疗中心，马里兰州退伍军人医疗系统）

本文研究了在7T MRI上使用UNet和Transformer分割方法检测多发性硬化症白质病变的可行性，通过对比不同模型的性能，验证了7T分辨率在小病变检测中的优势。

2026-04-01cs.CVcs.LG

自剪枝图神经网络用于从脑部MR图像预测多发性硬化的炎症性疾病活动

Self-pruning Graph Neural Network for Predicting Inflammatory Disease Activity in Multiple Sclerosis from Brain MR Images

University of Zurich（苏黎世大学）；Technical University of Munich（慕尼黑工业大学）；Klinikum rechts der Isar, Technical University of Munich（慕尼黑工业大学 rechts der Isar 医院）；Imperial College London（帝国理工学院）；The First Affiliated Hospital of Xi’an Jiaotong University（西安交通大学第一附属医院）

本文首次利用图神经网络聚合多发性硬化病变的生物标志物，通过两阶段方法（3D分割+自监督特征提取，构建患者图并分类）预测炎症活动，自剪枝策略选择关键病变，显著优于基线（AUC提升至0.67/0.66），并具有可解释性。

2023-08-31cs.CVeess.IV

解释多发性硬化皮质病变分割中不确定性的原因超越预测误差

Explaining Uncertainty in Multiple Sclerosis Cortical Lesion Segmentation Beyond Prediction Errors

Faculty of Biology and Medicine, University of Lausanne (UNIL)（日内瓦大学生物医学学院）；Radiology Department, Lausanne University Hospital (CHUV)（拉索恩大学医院放射科）；MedGIFT, Institute of Informatics, School of Management, HES--SO Valais--Wallis University of Applied Sciences and Arts Western Switzerland（应用科学与艺术西瓦利斯-瓦利斯大学信息学院）；CIBM Center for Biomedical Imaging（生物医学成像中心）；Department of Radiology and Medical Informatics, University of Geneva（日内瓦大学放射科与医学信息学系）；Translational Imaging in Neurology (ThINK) Basel, Department of Medicine and Biomedical Engineering, University Hospital Basel and University of Basel（神经学转化成像（ThINK）巴塞尔，医学与生物医学工程系，巴塞尔大学医院和巴塞尔大学）；Multiple Sclerosis Center, Department of Neurology, University Hospital Basel（多发性硬化中心，神经科，巴塞尔大学医院）；Research Center for Clinical Neuroimmunology and Neuroscience Basel (RC2NB), University Hospital Basel and University of Basel（临床神经免疫学和神经科学巴塞尔研究中心（RC2NB），巴塞尔大学医院和巴塞尔大学）；Department of Neurology, Icahn School of Medicine at Mount Sinai（伊坎医学院 Mount Sinai 神经科）；Translational Neuroradiology Section, National Institute of Neurological Disorders and Stroke, National Institutes of Health（神经学转化放射学部门，国家神经疾病与中风研究所，国家卫生研究院）；Neuroinflammation Imaging Lab (NIL), Université catholique de Louvain（神经炎症成像实验室（NIL），卢瓦纳大学）；EPFL+ECAL Lab, École polytechnique fédérale de Lausanne (EPFL)（EPFL+ECAL 实验室，日内瓦联邦理工学院（EPFL））

本文提出一个框架，用于分析多发性硬化皮质病变分割中病变尺度的预测不确定性，揭示实例级不确定性与病变大小、形状和皮质涉及程度的关系，通过专家反馈验证其临床相关性。

2026-04-20cs.CVeess.IV

改善多中心临床场景下的多发性硬化症病灶分割：一种具有噪声鲁棒训练的联邦学习方法

Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training

The University of Sydney（悉尼大学）；Sydney Neuroimaging Analysis Centre（悉尼神经影像分析中心）；Royal Prince Alfred Hospital（阿尔弗雷德王子皇家医院）

针对多中心MS病灶分割中数据隐私与标签噪声问题，提出联邦学习框架结合DHLC与CELC标签校正策略，实验验证其有效性与鲁棒性。

2023-08-31cs.CVcs.DCeess.IV

多发性硬化病变分割中的实例级定量显著性

Instance-level quantitative saliency in multiple sclerosis lesion segmentation

Translational Imaging in Neurology (ThINk)（神经学转化成像（ThINk））；Department of Medicine and Biomedical Engineering, University Hospital Basel and University of Basel（医学与生物医学工程系，巴塞尔大学医院和巴塞尔大学）；Department of Neurology, University Hospital Basel（神经病学系，巴塞尔大学医院）；Research Center for Clinical Neuroimmunology and Neuroscience Basel (RC2NB)（巴塞尔临床神经免疫学和神经科学研究中心（RC2NB））；MedGIFT, Institute of Informatics, School of Management, HES-SO Valais-Wallis University of Applied Sciences and Arts Western Switzerland（MedGIFT，信息学院，管理学院，瓦莱-迪-瓦尔省应用科学与艺术西方瑞士大学）；CIBM Center for Biomedical Imaging, Lausanne, Switzerland（洛桑瑞士生物医学成像中心）；Radiology Department, Lausanne University Hospital (CHUV) and University of Lausanne（放射科，洛桑大学医院（CHUV）和洛桑大学）

本文提出两种架构无关的XAI方法，用于多发性硬化症白质病变分割中的实例级定量显著性分析，以提升模型决策的可解释性。

2026-01-15cs.CVcs.LGeess.IV

利用扩散模型进行病灶填充，探索白质病灶存在下皮层形态测量的鲁棒性

Exploring Robustness of Cortical Morphometry in the presence of white matter lesions, using Diffusion Models for Lesion Filling

本文利用基于去噪扩散网络的病灶填充算法，结合伪3D U-Net生成健康组织，以提升白质病灶存在时皮层厚度测量的鲁棒性，并验证了深度学习分割方法的优势。

2025-03-26cs.CVeess.IV