北卡罗莱纳大学教堂山分校（UNC-Chapel Hill）的IDEA实验室（https://www.med.unc.edu/bric/ideagroup/core-labs/idea-research-lab）在沈定刚教授、王利教授、李刚教授和叶谋添教授的带领下，自2008年开始攻关，开发了国际上首套完整的、专门针对婴儿大脑MRI的图像处理分析软件（iBEAT，https://www.nitrc.org/projects/ibeat）和脑图谱（https://www.nitrc.org/projects/pediatricatlas，https://www.nitrc.org/projects/infantsurfatlas）。其算法涵盖了从脑提取和脑组织划分，脑皮层表面重建，脑皮层拓扑结构矫正，和脑发育图谱构建等模块，首次实现了对婴儿大脑MRI的精准测量。其中很多模块利用先进的机器学习方法。
近日，IDEA实验室在IEEE Transactions on Medical Imaging上发表了婴幼儿脑图像分割挑战赛综述（Benchmark on Automatic Six-Month-Old Infant Brain Segmentation Algorithms: The iSeg-2017 Challenge）。该综述文章对参与iSeg-2017婴幼儿脑磁共振图像分割挑战赛（http://iseg2017.web.unc.edu）的精度最高的前八支队伍进行评估，介绍了这些方法的架构和实现细节，并进一步讨论了这些方法的局限性，指出了婴儿脑图像分割未来可能的改进方向。
伴随着脑组织的快速发育以及多种认知和运动功能的发展，出生后的第一年是人类大脑发育最活跃的一个阶段。多模态脑磁共振成像为探索人类早期大脑发育提供了可能性。探索大脑发育过程中必不可少，也是最重要的基础就是将婴幼儿脑图像准确划分为不同的感兴趣区域，例如提取白质，灰质和脑脊液。然而，由于婴幼儿大脑发育引起的不同脑组织间的低对比度及其灰度反转问题（图1），现有的自动图像分割方法无法精准分割这一阶段的婴儿脑组织，特别是在6个月左右，极大地限制了人们对婴幼儿阶段大脑发育的认知。
图1. 第一、二行：婴儿在2周到12个月龄期间的T1加权和T2加权脑图像；第三行：T1加权图像中脑组织的灰度分布，其中白质和灰质体素值在6月龄时高度重叠。因此，在大约6月龄时，T1加权和T2加权脑图像显示出最低的组织对比度，这意味着组织分割最具挑战性。
在iSeg-2017挑战赛中，研究人员被邀请对6月龄婴儿脑MR图像进行白质，灰质和脑脊液分割。有21个国际团队在iSeg-2017网站上提交了他们的结果。有趣的是，其中20个团队均使用卷积神经网络进行分割，而只有1个团队使用经典的基于多图谱（Multi-atlas）的分割方法。在使用卷积神经网络的20个团队中，8个团队采用了U-Net架构。挑战赛根据四方面指标：分割精度（Dice），豪斯多夫距离（HD95），平均表面距离（ASD）和沟回曲线距离，来评估参赛方法。精度最高的前8位的团队中有7个采用了基于深度学习的算法。由于使用了GPU，大多数算法对脑MR图像分割处理时间在5-10秒之间。就全脑分割精度（Dice，HD95，ASD）以及局部分割精度（沟回曲线距离）而言，前8位方法中没有一种方法比其他所有方法都具有显著的统计学差异。根据图2中的误差图，这些方法在皮质区域分割性能都较差。因此，仍有提升的空间。
图2. 误差图：前八名方法在皮质下区域误差不大，但皮质区域的误差明显。前八名方法的平均误差图为右下方。红色：容易出错区域；蓝色：正确分割区域。
针对这些分割方法的弱点，作者给出了分析，并指出了可能的改进方向。首先，所有方法直接应用成熟的模型（例如，U-Net）来应对挑战，并未考虑婴幼儿大脑的任何先验知识。例如，人类的大脑皮质厚度是在一定范围内的[1，3]。特别是由于6月龄的婴儿脑MRI中白质和灰质之间的对比度低，白质/灰质体素可能会被错误分割。在iSeg-2017中图像分辨率为1×1×1mm3，尽管一个体素错误对Dice或HD95的影响可忽略不计，但它将导致皮质厚度产生±1mm估计误差。图3显示了由其中一个团队获得的一例分割结果。在没有解剖学先验知识指导的情况下，该方法的分割结果所重建的内皮层表面中存在许多缺失的脑回。因此，估计的皮质厚度异常地厚。值得注意的是，这类错误将难以精确表征大脑发育属性，比如皮质厚度，沟回发育情况等。
图3. iSeg-2017挑战赛方法(MSL_SKKU)和人工分割的结果分别为第1行和第2行。从左到右：T1加权和T2加权图像上的分割结果，内皮质表面，皮质厚度图，内皮质表面和皮质厚度图（毫米）的局部放大图。
其次，所有方法都忽略了脑脊液和灰质之间的组织对比度远高于灰质和白质之间的组织对比度。因此，从婴儿脑MRI中首先分割出脑脊液用以重建外皮质表面，并在此基础上估计一定范围内的内皮质面，这种策略是合理有效的[1,2]。
第三，所有方法处理有运动模糊的图像均效果不佳。运动模糊在采集婴儿脑MR图像过程中很常见，因此在训练集中加入模拟运动伪像，能有效地增强网络的鲁棒性。
第四，通过从那些容易出错的区域中选择更多的训练样本，可以进一步提高这些分割算法的性能。前8名的方法中使用的训练图像块大小从24×24×24到80×80×80不等，因此如何选择最优的图像块大小也是一个重要的突破点。
最后针对多个站点采集的图像的分割难题(Multi-site segmentation): 在一个数据集上训练，在多个数据集上测试，我们组织了iSeg-2019挑战赛(http://iseg2019.web.unc.edu/)，欢迎大家参加。
原文请参见：https://ieeexplore.ieee.org/document/8654000
Li Wang, Dong Nie, Guannan Li, Élodie Puybareau, Jose Dolz, Qian Zhang, Fan Wang, Jing Xia, Zhengwang Wu, Jiawei Chen, Kim-Han Thung, Toan Duc Bui, Jitae Shin, Guodong Zeng, Guoyan Zheng, Vladimir S. Fonov, Andrew Doyle, Yongchao Xu, Pim Moeskops, Josien P.W. Pluim, Christian Desrosiers, Ismail Ben Ayed, Gerard Sanroma, Oualid M. Benkarim, Adrià Casamitjana, Verónica Vilaplana, Weili Lin, Gang Li, and Dinggang Shen. “Benchmark on Automatic 6-month-old Infant Brain Segmentation Algorithms: The iSeg-2017 Challenge.” IEEE Transactions on Medical Imaging, 38(9), 2219-2230, 2019
1. Wang et al., “Volume-Based Analysis of 6-Month-Old Infant Brain MRI for Autism Biomarker Identification and Early Diagnosis,” in MICCAI, 2018, pp. 411-419.
2. Wang et al., “Anatomy-Guided Joint Tissue Segmentation and Topological Correction for 6-Month Infant Brain MRI with Risk of Autism,” Human Brain Mapping, vol. 39, pp. 2609-2623, Jun 2018.
3. Li et al., “Computational Neuroanatomy of Baby Brains: A Review.” NeuroImage, vol. 185, pp. 906-925, 2019.
