HSF 模型卡片

本模型卡片介绍了海马体分割工厂（Hippocampal Segmentation Factory，HSF），这是一个专门用于分割 MRI 数据中海马体亚区的深度学习模型。HSF 采用端到端的深度学习流程，提供快速、准确且稳健的分割效果，便于研究全生命周期的体积变化轨迹。

模型详情

模型描述

HSF 的开发旨在解决在常规 MRI 序列中分割小型海马体亚区的挑战。它在 Dice 系数、Hausdorff 距离和体积相似性方面均优于当前使用的工具，是神经影像学研究的宝贵工具。

• 开发者： Clement Poiret, Antoine Bouyeure, Sandesh Patil, Antoine Grigis, Edouard Duchesnay, Matthieu Faillot, Michel Bottlaender, Frederic Lemaitre, Marion Noulhiane。
• 资助方： 法国基金会（Fondation de France），资助编号：00070721。
• 模型类型： 带自注意力机制的 3D 残差 U-Net，针对海马体亚区分割进行了修改。
• 许可证： MIT。

模型来源

• 代码仓库： HSF GitHub 仓库。
• 论文： Poiret, C., Bouyeure, A., Patil, S., et al. (2023). A fast and robust hippocampal subfields segmentation: HSF revealing lifespan volumetric dynamics. Frontiers in Neuroinformatics, 17. DOI: 10.3389/fninf.2023.1130845。
• 文档： https://hsf.rtfd.io/

用途

直接使用

HSF 适用于需要对 MRI 数据中的海马体亚区进行精确分割的研究人员和临床医生。它可直接用于研究全生命周期的体积变化轨迹，有助于理解情景记忆的发展和与年龄相关的记忆障碍。

下游使用

HSF 稳健的分割能力使其适合集成到大型神经影像学研究中，可能有助于开发神经系统疾病的诊断工具。

超出范围的使用

HSF 不适用于临床环境中的实时分割或非 MRI 成像模态。

偏差、风险和局限性

HSF 在一个包含所有手动分割海马体亚区的公开数据集的异构数据库上进行训练和验证。虽然与现有工具相比表现出优越的性能，但其准确性可能在训练数据中未代表的特定人群或 MRI 协议中有所差异。

建议

研究人员应在其特定数据集上验证 HSF 的性能，特别是在处理代表性不足的群体或非标准 MRI 协议时。

如何开始使用该模型

请参阅 HSF 文档 获取安装说明、使用示例以及如何将 HSF 集成到您的神经影像学流程中的文档。

训练详情

训练数据

HSF 在约 13 个由专家单独手动分割的海马体数据集上进行训练，总计超过 800 名受试者。

训练过程

HSF 采用装袋（bagging）技术，使用五个"弱学习器"模型来提高预测准确性。它使用带有自适应梯度裁剪和 Demon 的 AdamP 优化器，以及用于 64 个 epoch 的单周期学习率调度器。

评估

测试数据、因素和指标

HSF 与手动分割结果进行了验证，并使用 Dice 系数、Hausdorff 距离和体积相似性与 ASHS、HIPS 和 HippUnfold 进行了比较。

结果

HSF 在分割准确性方面表现出优越的性能，与现有工具相比有显著改进。

环境影响

实验使用 Scaleway 进行，其碳效率为 0.1 kgCO$_2$eq/kWh。在 H100 SXM4 80 GB（TDP 为 400W）类型的硬件上进行了累计 25 小时的计算。

总排放量估计为 1 kgCO$_2$eq，其中 100% 由云服务商直接抵消。

• 硬件类型： Nvidia H100
• 使用时长： 所有模型共计 25 小时
• 云服务商： Scaleway
• 计算区域： 巴黎
• 碳排放量： 1 kgCO2eq

引用

BibTeX:

@ARTICLE{10.3389/fninf.2023.1130845,
AUTHOR={Poiret, Clement and Bouyeure, Antoine and Patil, Sandesh and Grigis, Antoine and Duchesnay, Edouard and Faillot, Matthieu and Bottlaender, Michel and Lemaitre, Frederic and Noulhiane, Marion},
TITLE={A fast and robust hippocampal subfields segmentation: HSF revealing lifespan volumetric dynamics},
JOURNAL={Frontiers in Neuroinformatics},
VOLUME={17},
YEAR={2023},
URL={https://www.frontiersin.org/articles/10.3389/fninf.2023.1130845},
DOI={10.3389/fninf.2023.1130845},
ISSN={1662-5196},
}