FeTA2022——胎儿脑区分割挑战赛

今天将分享MR胎儿脑区分割完整实现版本，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、FeTA2022介绍

先天性疾病是全世界婴儿死亡的主要原因之一。最近，胎儿大脑的宫内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有助于未来开发用于早期干预、治疗和临床咨询的临床风险分析工具。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。胎儿大脑的宫内 MRI 的采集和分析需要专业临床中心的合作，因为这一弱势患者群体的图像群体较小且异质（例如，站点之间的图像采集参数存在差异）。为了增加样本量，使这些研究具有足够的功效，需要协调现场和 MRI 扫描仪，并辅以自动化和稳健的MRI分析方法。

对出生前MRI数据中高度复杂且快速变化的大脑形态进行自动分割和量化将改善诊断过程，因为手动分割既耗时又容易出现人为错误和评估者之间的差异。分析发育中的大脑结构的形状或体积等信息具有临床相关性，因为许多先天性疾病会导致这些组织区室发生微妙的变化。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分割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。在产前发育过程中，人脑的生理机能发生变化，其结构也经历发育性重组。此外，由于胎儿和母亲的运动以及成像伪影，图像质量通常很差，而部分体积效应经常导致组织之间的边界模糊。最后，与健康对照相比，异常胎儿大脑的结构往往有不同的形态。这使得自动方法识别结构变得具有挑战性。由于成像方面的挑战以及缺乏公开的和注释的真实标注数据，迄今为止，胎儿MRI领域的研究还不够充分。

在FeTA 2021中，使用第一个公开的胎儿大脑MRI图像数据集来鼓励团队开发自动组织大脑分割方法。基于FeTA 2021的成功，目标是通过发起开发图像分割算法的挑战，将FeTA 2022的挑战推向新的水平，该算法将在不同站点上工作，即使用不同图像采集协议（即在未见过的数据集上工作即来自不同研究中心和 MRI 扫描仪的数据集）。为了确保所开发的胎儿分割方法真正适用于领域转移下的现实临床或研究环境，迫切需要其通用性并在医学成像领域引起越来越多的关注。

总之，多中心FeTA 2022 挑战是朝着开发有效、可推广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。它将包括来自四个不同地点（苏黎世大学儿童医院、维也纳医科大学、加州大学旧金山分校和洛桑大学医院）的数据。这种新算法将有可能更好地了解先天性疾病的根本原因，并最终指导全球医院和研究机构制定产前/产后指南和临床风险分析工具，以进行早期干预、治疗和护理管理决策。

二、FeTA2022任务

胎儿大脑7大组织分割——外部脑脊液，灰质，白质，心室，小脑，深灰质，脑干。

三、FeTA2022数据集

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，以及相应的标签图。该数据集由临床获得的神经典型和病理性大脑的胎儿大脑重建组成，并且涵盖不同胎龄。对于每种情况，除了标签图外，还将给出以周为单位的胎龄以及神经典型/病理性标签。每个案例都是 256x256x256 体素，但每个机构的案例分辨率是独立的。

测试数据集将包含 160 个案例（每个机构 40 个）。

机构 1 - 苏黎世大学儿童医院 (Kispi)——训练/测试用例：80 / 40

数据采集：大学儿童医院的数据是使用 1.5T 和 3T 临床 GE 全身扫描仪（Signa Discovery MR450 和 MR750）采集的，使用 8 通道心脏线圈或身体线圈。T2 加权单次快速旋转回波序列的面内分辨率为 0.5mm x 0.5mm，切片厚度为 3 至 5mm。序列参数如下：TR：2000-3500ms；TE：120ms（最小值）；翻转角度：90°；抽样百分比55%。根据胎龄和胎儿大小调整以下参数：FOV：200-240mm；图像矩阵：1.5T：256x224；3T：320x224。成像平面相对于胎儿大脑定向，并采集轴向、冠状和矢状图像。

后处理：对于每个受试者，手动检查所获取的胎儿大脑图像的质量，以编译一堆图像。每个堆栈由每个方向至少一次脑部扫描组成，如果可用，还包括更多扫描。每个堆栈中的扫描数量范围在 3 到 13 之间。对于 sub-001 到 sub-040，堆栈中的每个图像都被重新定向到标准平面，并使用半自动图谱创建胎儿大脑的掩模。然后将 SR 重建算法应用于每个受试者的图像和脑掩模堆栈，创建大脑形态的 3D SR 体积（sub-001 至 040；sub-041 至 sub-080）各向同性分辨率为 0.5mm^3。每个图像均使用 Slicer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/测试用例：40 / 40

数据采集：使用 1.5 T（Philips Ingenia/Intera、Best、荷兰）和 3 T 磁铁（Philips Achieva、Best、the 荷兰），无需使用孕妇或胎儿镇静剂。所有采集均使用心脏线圈进行。对于每种情况，在 3 个正交（轴向、冠状、矢状）平面中至少有 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 使用 1.5 Tesla Philips Intera MR 扫描仪获取胼胝体轴。总体而言，切片厚度在3mm至5mm之间（间隙0.3-1mm），像素间距0.65-1.17mm，采集时间在13.46至41.19秒之间。

后处理：预处理流程由数据去噪步骤组成，然后是面内超分辨率和自动脑掩模步骤，最后以单个 0.5 mm 各向同性切片结束 运动校正和体积超分辨率重建。随后，生成的体积与公共参考空间严格对齐。

机构 3 - 洛桑大学医院 (CHUV)——训练/测试用例：0 / 40

数据采集：使用 1.5 T（MAGNETOM Aera，Siemens Healthcare，埃尔兰根，德国）采集来自 CHUV 的数据（测试：n=40），无需使用母体或胎儿镇静剂。使用 18 通道身体线圈和 32 通道脊柱线圈进行采集。使用 T2 加权 (T2W) 半傅立叶采集单次涡轮自旋回波 (HASTE) 序列在三个正交方向获取图像；通常每个方向至少进行两次采集。TR/TE，1200ms/90ms；翻转角度，6/23 90°；回波序列长度，224；回波间隔，4.08ms；视场角，360×360mm2；体素尺寸，1.13×1.13×3.00mm3；片间间隙，10%，采集时间在 26 至 36 秒之间。

后处理：对于每个受试者，手动审查扫描结果，并选择高质量扫描进行超分辨率重建，创建大脑形态的 3D SR 体积。每个案例都用零填充到 256x256x256 并重新定向到标准查看平面。

机构 4 - 加州大学旧金山分校 (UCSF)——训练/测试用例：0 / 40

数据采集：使用 3T GE Discovery MR750 或 MR750W（宽口径）采集来自 UCSF 的数据（测试：n=40），无需使用母体或胎儿镇静剂。使用 32 通道 GE 心脏线圈进行采集。每个方向（矢状、轴向、冠状）一次扫描至少获得 3 个 T2 加权 ssFSE 序列，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 ms，TE > 100 ms，90 度翻转角。

后处理：对于每个受试者，手动审查扫描结果，并选择高质量扫描进行超分辨率重建，创建大脑形态的 3D SR 体积。每个案例都用零填充到 256x256x256 并重新定向到标准查看平面。

评价指标：骰子相似系数 (DSC)、体积相似度 (VS) 和95%置信区间豪斯多夫系数 (HD95)。

四、技术路线

1、根据固定阈值和形态学最大连通域分析得到大脑ROI区域，然后提取原始图像和标注图像的ROI。

2、分析步骤1的ROI图像信息，得到图像平均大小是150x170x151，因此将图像缩放到固定大小224x224x224。

3、图像预处理，对步骤2的原始图像进行像素值（1，99）截断，然后采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集，对训练集做5倍数据增强处理。

4、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用多分类的dice和交叉熵。

5、训练结果和验证结果

6、验证集分割结果

左图是金标准结果，右图是预测结果。

7、测试集分割结果

左图是金标准结果，右图是预测结果。