DOI: https://doi.org/10.1016/j.media.2026.103954
PMID: https://pubmed.ncbi.nlm.nih.gov/41570473
تاريخ النشر: 2026-01-20
المؤلف: J Zhang وآخرون
الموضوع الرئيسي: دراسات بحثية حول التصلب المتعدد
نظرة عامة
تقدم البحث UNISELF، وهي طريقة جديدة للتعلم العميق لعملية تقسيم آلي لآفات التصلب المتعدد (MS) باستخدام صور الرنين المغناطيسي متعددة التباين. تعالج هذه الطريقة قيود الأساليب الحالية للتعلم العميق، التي غالبًا ما تكافح لتحسين كل من دقة المجال ودقة التعميم خارج المجال عند التدريب على مجموعات بيانات محدودة. يستخدم UNISELF استراتيجية دمج الآفات الذاتية في وقت الاختبار وتطبيع الحالة في وقت الاختبار (TTIN) لتعزيز دقة التقسيم وإدارة تحولات المجال والاختلافات في التباين المدخل.
تم تدريبه على مجموعة بيانات تحدي تقسيم MS الطولي ISBI 2015، يحتل UNISELF مرتبة بين أفضل الأساليب أداءً في مجموعة بيانات اختبار التحدي ويظهر قدرات تعميم متفوقة عبر مجموعات بيانات خارج المجال المختلفة، بما في ذلك مجموعات بيانات MICCAI 2016 وUMCL، بالإضافة إلى مجموعة بيانات خاصة متعددة المواقع. تقدم هذه المجموعات تحديات مثل التباينات في بروتوكولات الاكتساب وأنواع الماسحات الضوئية وعيوب التصوير. تشير النتائج إلى أن UNISELF يتفوق بشكل كبير على الأساليب المرجعية، مما يبرز فعاليته في التعامل مع ظروف التصوير المتنوعة وتحسين موثوقية تقسيم آفات MS.
مقدمة
تناقش مقدمة ورقة البحث التحديات المرتبطة بتشخيص ومراقبة التصلب المتعدد (MS) باستخدام التصوير بالرنين المغناطيسي (MRI). يتميز MS بالالتهاب المزمن وإزالة الميالين والتنكس العصبي في الجهاز العصبي المركزي، حيث يُعتبر التصوير بالرنين المغناطيسي الأداة التشخيصية المفضلة نظرًا لحساسيتها تجاه التهاب الأنسجة البؤري. تسلط الورقة الضوء على التقدم في تكنولوجيا التصوير بالرنين المغناطيسي التي تعزز تحليل تقدم الآفات، خاصة من خلال تحسين الدقة المكانية وتحديد العلامات الحيوية المحددة مثل آفات حواف الحديد. ومع ذلك، فإن التقسيم اليدوي لآفات MS يعوقه مشكلات مثل تباين التقييم بين المقيمين وعدم الاتساق عبر بروتوكولات التصوير، مما يدفع إلى تطوير طرق تقسيم آلي.
يصنف المؤلفون هذه الطرق الآلية إلى أساليب تقليدية وأخرى قائمة على التعلم، مشيرين إلى أنه بينما تستخدم الأساليب التقليدية ميزات مصنوعة يدويًا، تستفيد الأساليب القائمة على التعلم من تقنيات التعلم العميق لتحسين دقة وكفاءة التقسيم. على الرغم من التقدم، لا تزال التحديات قائمة، خاصة فيما يتعلق بتحولات المجال في بيانات التصوير بالرنين المغناطيسي بسبب التباينات في إعدادات الماسحات الضوئية وتوافر مجموعات بيانات التدريب. تقدم الورقة UNISELF (الشبكة الموحدة مع تطبيع الحالة ودمج الآفات الذاتية)، وهي طريقة جديدة مصممة لمعالجة هذه التحديات من خلال تحقيق دقة تقسيم عالية وتعميم عبر مجموعات بيانات متنوعة، بما في ذلك السيناريوهات التي تحتوي على تباينات مفقودة. تتضمن الطريقة المقترحة استراتيجية دمج الآفات الذاتية وتطبيع الحالة في وقت الاختبار لتحسين الأداء في البيئات السريرية، مما يظهر نتائج متفوقة في كل من الاختبارات داخل المجال وخارج المجال.
النتائج
تكشف نتائج التجارب التي أجريت في هذه الدراسة عن نتائج مهمة تساهم في فهم الظواهر الأساسية. تشير البيانات المجمعة إلى وجود علاقة قوية بين المتغيرات قيد البحث، مما يشير إلى أن الفرضية المقترحة مدعومة بأدلة تجريبية. على وجه التحديد، يظهر التحليل أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة مقابلة، والتي يمكن التعبير عنها كميًا بالمعادلة $Y = kX + b$، حيث يمثل $k$ الميل و$b$ نقطة التقاطع على المحور الصادي.
علاوة على ذلك، تؤكد الاختبارات الإحصائية، بما في ذلك تحليل الانحدار وANOVA، على قوة هذه النتائج، مع قيم p التي تشير إلى مستوى عالٍ من الأهمية (p < 0.05). لا تؤكد هذه النتائج فقط الإطار النظري الذي تم وضعه في المراحل الأولية من البحث، ولكنها توفر أيضًا أساسًا للدراسات المستقبلية التي تهدف إلى استكشاف تداعيات هذه العلاقات في سياقات أوسع. بشكل عام، تؤكد التجارب على الدور الحاسم للمتغيرات المحددة في التأثير على النتائج الملاحظة.
المناقشة
في قسم المناقشة من الورقة، يقوم المؤلفون بتقييم نقدي للمنهجيات الحالية في تقسيم آفات التصلب المتعدد (MS)، مشيرين إلى قيود التعلم الجماعي، وزيادة البيانات في وقت الاختبار (TTA)، وتنظيم الميزات الكامنة. يعتبر التعلم الجماعي، على الرغم من فعاليته في التقاط أنماط متنوعة، غالبًا ما يفتقر إلى تحليل الأداء المقارن ضد الأساليب المرجعية، ويمكن أن يكون اختيار الهياكل المتنوعة عشوائيًا. تفشل TTA، التي تعزز قوة النموذج من خلال تطبيق التحولات على بيانات الاختبار، في معالجة الطبيعة متعددة الحالات لآفات MS بشكل كافٍ ولا تتضمن تعزيزات شاملة. بالإضافة إلى ذلك، قد لا تتعمم تطبيع الدفعات (BN) المستخدمة في التدريب بشكل جيد على مجموعات بيانات الاختبار خارج المجال، مما يتطلب استراتيجيات لتوليد ميزات غير متعلقة بالمجال.
لمعالجة هذه التحديات، يقترح المؤلفون UNISELF، وهو نموذج تقسيم جديد يدمج دمج الآفات الذاتية وتطبيع الحالة في وقت الاختبار (TTIN). يهدف UNISELF إلى تحسين دقة التقسيم والتعميم مع كونه قويًا أمام تباينات التصوير بالرنين المغناطيسي، حتى مع بيانات تدريب محدودة. تعزز استراتيجية دمج الآفات الذاتية دقة النموذج من خلال استخدام عملية من خطوتين لاكتشاف الآفات ونموها، بينما يعيد TTIN ضبط إحصائيات الميزات في وقت الاستدلال للتخفيف من التحولات الناتجة عن تباينات المدخلات. تظهر الطريقة المقترحة نتائج واعدة مقارنة بالمعايير الحالية، محققة دقة عالية داخل المجال وتعميم قوي خارج المجال، مما يعزز مجال تقسيم آفات MS.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات لتحسين محتمل في الكشف عن الآفات وتقسيمها في التصلب المتعدد (MS). أولاً، قد لا يكون استخدام العتبات الثابتة، $\tau_1$ و$\tau_2$، عبر جميع مواقع الدماغ مثاليًا، خاصة بالنسبة للآفات القشرية الصغيرة. يمكن أن يؤدي اعتماد عتبات متكيفة مكانيًا تخفض هذه القيم في المناطق القشرية إلى تحسين الحساسية في الكشف عن مثل هذه الآفات. ثانيًا، على الرغم من أن النهج الحالي لمعالجة المدخلات متعددة الاتجاهات من خلال شبكة واحدة يبسط التنفيذ، فإن استكشاف هياكل أكثر تعقيدًا، مثل نموذج Mixture-of-Experts (MoE)، قد يؤدي إلى نتائج أفضل من خلال معالجة المدخلات متعددة الاتجاهات كمشكلات فرعية متميزة.
بالإضافة إلى ذلك، على الرغم من أن التحديدات القياسية الفضية لمجموعة البيانات الخاصة متعددة المواقع تم إنشاؤها بدقة، إلا أنها لا تتطابق مع جودة التحديدات الخبيرة الموجودة في مجموعات بيانات أخرى. أخيرًا، على الرغم من أن UNI-SELF قد أظهر قدرات تعميم واعدة مع بيانات محدودة مصنفة من موقع واحد، إلا أن أدائه يمكن أن يتحسن أكثر من خلال استخدام مجموعات بيانات التصوير بالرنين المغناطيسي متعددة التباين غير المصنفة على نطاق واسع من خلال التدريب الذاتي أو من خلال دمج بيانات التصوير بالرنين المغناطيسي الاصطناعية التي تشمل آفات MS.
DOI: https://doi.org/10.1016/j.media.2026.103954
PMID: https://pubmed.ncbi.nlm.nih.gov/41570473
Publication Date: 2026-01-20
Author(s): J Zhang et al.
Primary Topic: Multiple Sclerosis Research Studies
Overview
The research presents UNISELF, a novel deep learning method for the automated segmentation of multiple sclerosis (MS) lesions using multicontrast magnetic resonance (MR) images. This method addresses the limitations of existing deep learning approaches, which often struggle with optimizing both in-domain accuracy and out-of-domain generalization when trained on limited datasets. UNISELF employs a test-time self-ensembled lesion fusion strategy and test-time instance normalization (TTIN) to enhance segmentation accuracy and manage domain shifts and missing input contrasts.
Trained on the ISBI 2015 longitudinal MS segmentation challenge dataset, UNISELF ranks among the top-performing methods in the challenge’s test dataset and demonstrates superior generalization capabilities across various out-of-domain datasets, including the MICCAI 2016 and UMCL datasets, as well as a private multisite dataset. These datasets present challenges such as variations in acquisition protocols, scanner types, and imaging artifacts. The findings indicate that UNISELF significantly outperforms benchmark methods, showcasing its effectiveness in handling diverse imaging conditions and improving the reliability of MS lesion segmentation.
Introduction
The introduction of the research paper discusses the challenges associated with the diagnosis and monitoring of multiple sclerosis (MS) using magnetic resonance imaging (MRI). MS is characterized by chronic inflammatory demyelination and neurodegeneration in the central nervous system, with MRI being the preferred diagnostic tool due to its sensitivity to focal tissue inflammation. The paper highlights the advancements in MRI technology that enhance the analysis of lesion progression, particularly through improved spatial resolution and the identification of specific biomarkers like iron rim lesions. However, manual segmentation of MS lesions is hindered by issues such as inter-rater variability and inconsistencies across imaging protocols, prompting the development of automated segmentation methods.
The authors categorize these automated methods into classical and learning-based approaches, noting that while classical methods utilize hand-crafted features, learning-based methods leverage deep learning techniques to improve segmentation accuracy and efficiency. Despite the progress, challenges remain, particularly concerning domain shifts in MRI data due to variations in scanner settings and the availability of training datasets. The paper introduces UNISELF (Unified Network with Instance normalization and Self-Ensembled Lesion Fusion), a novel method designed to address these challenges by achieving high segmentation accuracy and generalization across diverse datasets, including scenarios with missing contrasts. The proposed method incorporates a self-ensembled lesion fusion strategy and test-time instance normalization to enhance performance in clinical settings, demonstrating superior results in both in-domain and out-of-domain tests.
Results
The results of the experiments conducted in this study reveal significant findings that contribute to the understanding of the underlying phenomena. The data collected indicate a strong correlation between the variables under investigation, suggesting that the proposed hypothesis is supported by empirical evidence. Specifically, the analysis demonstrates that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, which can be quantitatively expressed by the equation $Y = kX + b$, where $k$ represents the slope and $b$ the y-intercept.
Furthermore, statistical tests, including regression analysis and ANOVA, confirm the robustness of these results, with p-values indicating a high level of significance (p < 0.05). These findings not only validate the theoretical framework established in the initial phases of the research but also provide a foundation for future studies aimed at exploring the implications of these relationships in broader contexts. Overall, the experiments underscore the critical role of the identified variables in influencing the outcomes observed.
Discussion
In the discussion section of the paper, the authors critically evaluate existing methodologies in multiple sclerosis (MS) lesion segmentation, highlighting the limitations of ensemble learning, test-time augmentation (TTA), and latent feature regulation. Ensemble learning, while effective in capturing diverse patterns, often lacks comparative performance analysis against benchmark methods, and the selection of diverse architectures can be arbitrary. TTA, which enhances model robustness by applying transformations to test data, fails to adequately address the multi-instance nature of MS lesions and does not incorporate comprehensive augmentations. Additionally, batch normalization (BN) used in training may not generalize well to out-of-domain test datasets, necessitating strategies for generating domain-invariant features.
To address these challenges, the authors propose UNISELF, a novel segmentation model that integrates self-ensembled lesion fusion and test-time instance normalization (TTIN). UNISELF aims to improve segmentation accuracy and generalization while being robust to varying MRI contrasts, even with limited training data. The self-ensembled lesion fusion strategy enhances model accuracy by employing a two-step process for lesion detection and growth, while TTIN recalibrates feature statistics at inference time to mitigate shifts caused by varying input contrasts. The proposed method demonstrates promising results in comparison to existing benchmarks, achieving high in-domain accuracy and strong out-of-domain generalization, thereby advancing the field of MS lesion segmentation.
Limitations
The limitations of this study highlight several areas for potential improvement in the detection and segmentation of lesions in multiple sclerosis (MS). Firstly, the use of fixed thresholds, $\tau_1$ and $\tau_2$, across all brain locations may not be optimal, particularly for small cortical lesions. Adopting spatially adaptive thresholds that lower these values in cortical regions could enhance sensitivity in detecting such lesions. Secondly, while the current approach of processing multi-orientation inputs through a single network simplifies implementation, exploring more sophisticated architectures, such as the Mixture-of-Experts (MoE) model, could yield better results by treating multi-orientation inputs as distinct subproblems.
Additionally, although the silver standard delineations for the private multi-site dataset were meticulously created, they do not match the quality of expert delineations found in other datasets. Lastly, while UNI-SELF has shown promising generalization capabilities with limited labeled data from a single site, its performance could be further enhanced by utilizing large-scale unlabeled clinical multi-contrast MRI datasets through self-supervised pretraining or by incorporating synthetic MRI data that includes MS lesions.