Данная работа посвящена исследованию точности нейросетевой сегментации МРТ-изображений головного мозга человека с помощью FastSurfer. Автоматическая сегментация — лучший способ обработки изображений для выделения интересующих структур, но из-за наличия вычислительно сложных шагов процесс может занимать продолжительное время, недопустимое для масштабных исследований, генерирующих большие объёмы данных. Для ускорения можно использовать нейронные сети. FastSurferCNN — нейронная сеть в составе пакета FastSurfer, обученная на результатах сегментации МРТ-изображений конвейером recon-all из пакета FreeSurfer. Результаты FastSurferCNN должны быть точными. В данной работе осуществляется сравнение результатов сегментации FastSurferCNN с результатами recon-all, принятыми за эталонные. Метрикой для оценки качества сегментации выбран коэффициент подобия Дайса. На основе полученных данных и их статистической обработки установлено, что ряд подкорковых структур (белое вещество больших полушарий, кора мозжечка) имеют большие веса, в результате чего на обобщённое значение коэффициента Дайса прочие структуры существенного влияния не оказывают. Для корковых структур распределение весов более равномерное, поэтому такое утверждение к ним неприменимо. Анализ обобщённых значений коэффициента для подкорковых и корковых структур свидетельствует о лучшей сегментации подкорковых структур, однако, с помощью предложенной в работе методики показано, что FastSurferCNN, наоборот, лучше обрабатывает корковые структуры. На основе результатов сделан вывод о необходимости повышения точности FastSurferCNN.

The given work is devoted to the study of the accuracy of neural network segmentation of MRI images of the human brain using FastSurfer. Automatic segmentation is the best way to process images for processing structures of interest, but due to the presence of computationally intensive steps, the process can take a long time, which is unacceptable for large-scale studies that generate large amounts of data. Neural networks can be used to speed up the process. FastSurferCNN is a neural network as part of the FastSurfer package, trained on the results of segmentation of MRI images by the recon-all pipeline from the FreeSurfer package. FastSurferCNN results should be accurate. In this work, the FastSurferCNN segmentation results are compared with the recon-all results taken as reference. The metric for assessing the quality of segmentation is the Dice similarity coefficient. Based on the obtained data and their statistical processing, it was found that a number of subcortical structures (the white matter of the large cerebral hemispheres, the cerebellar cortex) have large weights, as a result of which other structures with small weights do not significantly affect the generalized value of the Dice coefficient. However, for cortical structures, the distribution of weights is more uniform, so this statement does not apply to them. The analysis of generalized coefficient values for subcortical and cortical structures indicates better segmentation of subcortical structures, however, using the methodology proposed in the work, it is shown that FastSurferCNN, on the contrary, processes cortical structures better. Based on the general estimates, it is concluded that edits need to be made to the FastSurferCNN architecture in order to increase the accuracy of segmentation.

• ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
• ВВЕДЕНИЕ
• ОБЗОР ЛИТЕРАТУРЫ
  • МРТ
    • Физические основы МРТ
    • Разрешение и контраст
    • Сила магнитного поля
  • Автоматическая сегментация МРТ изображений
    • Freesurfer
    • FastSurfer
• МАТЕРИАЛЫ И МЕТОДЫ
  • Описание набора данных
  • Обработка МРТ-изображений
  • Метрики для оценки сегментации
  • Статистическая обработка
• РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ