瑞典皇家理工学院2022博士论文《从MRI图像分析和表征大脑形态的方法》

摘要

脑磁共振成像 (MRI) 是一种成像方式，可在不使用任何电离辐射的情况下产生大脑的详细图像。从结构 MRI 扫描中，可以提取不同大脑区域的形态特性，例如它们的体积和形状。这些措施既可以更好地了解大脑如何因多种因素（例如环境和病理）而发生变化，也有助于识别神经和精神疾病的新成像生物标志物。本论文的总体目标是推进关于如何有效地使用脑 MRI 图像处理来分析和表征大脑结构的知识。

图 3.11：用于图像分类的基于 CNN 的简单架构。

本文介绍的前两项工作是基于动物研究，主要旨在使用 MRI 数据分析感兴趣的群体之间的差异。在论文 I 中，对野生和家兔的 MRI 扫描进行了处理，以识别这两组之间的大脑结构差异。驯化显著重塑了大脑在区域灰质体积和白质完整性方面的结构。在论文 II 中，使用大鼠脑 MRI 扫描图像来训练脑年龄预测模型。然后在对照组和一组经历长期环境富集和饮食限制的大鼠上测试该模型。与对照组相比，这种健康的生活方式干预显著地影响了预测的大脑衰老轨迹，它减缓了大鼠的衰老过程。此外，年轻成年大鼠的脑年龄预测被发现对生存有显著影响。

图 3.12：原始 U-Net 架构。在每个蓝色块（表示多通道特征图）的顶部，显示了相应的通道数。在每个块的底部，表示 xy 输入大小。扩展路径中的白色块表示从收缩路径复制的特征图

图 4.1：论文 I 和 II 实施的图像处理工作流程的示意图。这两项研究共享一些用黑框和箭头表示的常见处理步骤，而论文 I 的研究特定步骤显示为蓝色，论文 II 的研究特定步骤显示为红色。

论文 III 到 V 是人类研究，提出了基于深度学习的方法来分割可能受到神经退行性疾病严重影响的大脑结构。特别是，论文III和IV重点研究了基于U-Net的多发性硬化(MS)患者胼胝体(CC)二维分割。在这两项研究中，都获得了良好的分割准确性，并且发现 CC 区域与患者的认知和身体残疾水平之间存在显着相关性。此外，在论文 IV 中，分段 CC 的形状分析揭示了残疾与 CC 厚度和弯曲角度之间的显着关联。相反，在论文 V 中，提出了一种海马体自动分割的新方法，该方法包括将统计形状先验作为上下文信息嵌入到基于 U-Net 的框架中。当在一个新的看不见的队列（即，不同于用于训练的队列）上测试该方法时，包含形状信息被证明可以显着提高分割准确性。此外，在以不同程度的海马萎缩为特征的三个不同诊断组（健康对照组、轻度认知障碍受试者和阿尔茨海默病患者）中观察到了良好的表现。

图 4.2：论文 III 中提出的用于自动中间切片选择（上部）和 CC 和 IC 的 2D 分割（下部）的管道。输入 3D 扫描的所有切片都输入到 CNN 中，并分类为中间切片或非中间切片。具有最高概率 pmid-slice 为中矢状切片的切片 i 被输入两个类似 U-Net 的架构，产生一个 IC 和一个 CC 二进制分割作为输出。 [©布鲁西尼等人。 (2022b)

图 4.3：论文 V 中提出的海马分割方法总结。对于 MRI U-Net，分割结果以粉色突出显示，对于 Cropped MRI U-Net，以绿色突出显示，对于 Shape MRI U-Net，以黄色突出显示。所有三种架构都由三个正交 2D U-Net（每个视图一个）组成，并接收 T1w MRI 切片作为输入。然而，对于裁剪和形状 MRI U-Net，这些切片是在由 MRI U-Net 分割的海马体周围裁剪的。 Shape MRI U-Net 还包括一个额外的输入通道，该通道嵌入通过拟合海马形状模型获得的形状信息。

总之，本论文中的 MRI 图像分析研究对神经科学知识进步的巨大价值，它们的贡献主要是双重的。首先，通过在文献中尚未探索的数据集上应用成熟的处理方法，有可能表征特定的大脑变化，并解开临床或生物学性质的相关问题。其次，通过修改和扩展现有的脑图像处理方法，在新数据集上实现了良好性能，提供了技术贡献。

论文结构

第 2 章概述本论文所附五篇论文的具体目标。第 3 章介绍了构成这五篇论文基础的理论和研究背景。第 4 章和第 5 章总结了这些研究的方法和结果。然后在第 6 章中对结果进行了全面讨论，而在第 7 章和第 8 章中分别概述了所提出的研究的未来展望和从每篇论文中得出的最终结论。最后，本论文的最后一部分是所附论文的全文。