文摘

许多方法被提出了组织分割的大脑核磁共振扫描。多种方法提出了复杂的选择一个方法高于其他人。因此我们建立了MRBrainS在线评估框架评估(半)自动段灰质(GM)的算法,白质(WM)和脑脊液(CSF) 3 t的大脑核磁共振扫描老年人(65 - 80 y)参与者他们的算法应用到所提供的数据,之后,他们的结果是评价和排名。全手动分割的通用、WM和CSF对所有扫描和可用作为参考标准。五个数据集提供培训和15进行测试。排名评估方法是基于他们的总体性能部分通用、WM, CSF和评估使用三个评价指标(骰子,H95和AVD)和结果MRBrainS13网站上发表。我们提出11分割算法的结果,参与车间在MICCAI MRBrainS13挑战,推出的框架,和三个常用的免费包:FreeSurfer,目前,SPM。MRBrainS评估框架提供了客观、直接比较的评估算法,可以帮助选择表现最好的方法分割目标。

1。介绍

多个大型人口研究[1- - - - - -3]显示量化大脑结构体积的重要性,例如,发现或预测小血管疾病和阿尔茨海默氏症。在临床实践中,脑容量分析可以在疾病诊断价值的进展,和治疗监测范围广泛的神经条件,如阿尔茨海默病、痴呆、焦癫痫、帕金森症、多发性硬化(4]。大脑结构自动分割在MRI可以追溯到1985年5),此后提出了许多方法。然而,众多的方法提出(6- - - - - -13)复杂的选择一定高于其他方法。早在1986年,价格(14)强调比较不同方法的重要性相同类型的问题。各种研究解决这个问题和评估不同的大脑结构分割方法(15- - - - - -19]。然而,几个因素使直接比较不同的方法。并非所有的算法都是公开的,如果他们是,研究人员使用它们通常有这些算法经验不如他们用自己的算法的参数调优,这可能导致偏向自己的方法。这个问题不存在当研究人员运用自己的公开数据的方法。因此,公开的数据库就像“阿尔茨海默病神经影像倡议”(ADNI) (http://adni.loni.usc.edu/),“互联网大脑分割库”(IBSR) (http://www.nitrc.org/projects/ibsr2008年),以CANDI分享精神分裂症公告(https://www.nitrc.org/projects/cs_schizbull08)[20.),和Mindboggle (http://www.mindboggle.info/)[21)是重要的举措,使各种方法的比较在相同的数据。然而,由于使用的可用数据的子集和不同的评价措施,直接比较可能会有问题。为了解决这个问题,2007年在生物医学图像分析介绍了重大挑战(22]。参加这些比赛可以应用他们的算法提供数据,之后,他们的结果是由组织者评估和排名。(许多挑战http://grand-challenge.org/All_Challenges/)组织,提供了一个洞察特定任务自动算法的性能在医学图像分析。

在本文中,我们介绍了MRBrainS挑战评估框架(http://mrbrains13.isi.uu.nl/),在线自动和半自动算法框架来评估这段灰质(GM),白质(WM)和脑脊液(CSF) 3 t的大脑核磁共振扫描的老年人(平均年龄71)对象不同程度的萎缩和白质病变。这个框架有三个主要的优势。首先,研究人员将自己的分割算法应用到所提供的数据。参数优化调整以达到最好的性能。第二,所有算法应用于相同的数据和参考标准测试数据是未知的参与人员。第三,评价算法和措施是相同的评估算法,使直接比较的各种算法。框架是在MRBrainS13挑战研讨会在医学影像计算和计算机辅助干预(MICCAI)会议于2013年9月26日。11个团队参加了挑战车间各种分割算法,提出了本文的结果提出评价框架,并提供一个基准。此外,我们评估了三种常用的评估框架:免费包FreeSurfer (http://surfer.nmr.mgh.harvard.edu/)[23,24),目前(http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)[25],SPM (http://www.fil.ion.ucl.ac.uk/spm/)[26]。

2。材料和方法

2.1。评估框架

MRBrainS评估框架设置如下。Multisequence (t1、t1反转恢复,t2加权液体衰减反转恢复)3 t MRI扫描MRBrainS二十科目可供下载的网站(http://mrbrains13.isi.uu.nl/)。对数据进行更详细地描述部分2.1。1。扫描都是手动划分为通用、WM和脑脊液。使用这些手工分割作为评价的参考标准框架。获得参考标准的注释过程中描述部分2.1。2。五20的数据集在网站上提供了参考标准和可用于培训自动分割算法。其余15核磁共振数据集必须由参与分割算法通用、WM和脑脊液。对于这些15集,网上没有提供参考标准。的分割结果可以提交MRBrainS网站。每提交,分割算法的一个简短的描述必须提供,至少应该描述算法,用MRI序列,该算法是否半、全自动和平均算法的运行时。分割结果然后评估(部分2.1。3)和排名(部分2.1。4由组织者),这项研究的结果发表在网站上。更多的信息关于如何使用提供的评价框架的细节部分MRBrainS网站(http://mrbrains13.isi.uu.nl/details.php)。

2.1.1。数据

重点是对大脑分割在老龄化的背景下。二十个科目(平均年龄±SD =年10男10女)被选中进行队列研究的老(65 - 80岁)功能独立个体没有无效的历史中风或其他脑部疾病(27]。本研究经当地伦理委员会批准的乌得勒支大学医学中心(荷兰)和所有参与者签署知情同意的形式。能够测试分割算法的鲁棒性在摩根大通的背景下病理学、受试者选择有不同程度的萎缩和白质病变。扫描与主要文物被排除在外。在3.0 T MRI扫描是飞利浦阿奇沃磁共振扫描器乌得勒支大学医学中心(荷兰)。以下序列被收购,用于评估框架:3 d T1 (TR: 7.9毫秒,TE: 4.5 ms), T1-IR (TR: 4416毫秒,TE: 15女士,和TI: 400 ms),和T2 -天赋(TR: 11000 ms, TE: 125 ms,和TI: 2800 ms)。自MRBrainS评价框架的焦点是比较不同的分割算法,我们执行两个预处理措施限制的影响不同的注册和偏差校正算法的分割结果。序列被严格对齐登记使用Elastix [28使用SPM8[执行]和偏差纠正29日]。注册后,在所有体素的大小提供序列(T1 IR T1, T2天赋)为0.96×0.96×3.00毫米³。原来的3 d T1序列(立体像素大小:1.0×1.0×1.0毫米³)提供。五个数据集,代表整个数据(2男3女,不同程度的萎缩和白质病变)被选为培训。剩下的15个数据集作为测试数据提供。

2.1.2。参考标准

进行手动分割获得的参考标准评价框架。所有的轴向片的20个数据集(0.96×0.96×3.00毫米³)手动分割由训练有素的研究助理在黑暗的房间里,最佳观赏条件。所有分割被三个专家:检查并纠正训练的神经病学家,neuroradiologist训练和医学图像处理的科学家。执行手动分割,一个内部开发工具基于MeVisLab (AG) MeVis医疗解决方案,不莱梅、德国),采用徒手花键绘图技术(30.]。封闭的徒手花键绘图技术被用来描述每个大脑结构的轮廓从最内层的结构(图1(一)),向外工作。封闭的轮廓被转换为硬分割,和内部结构迭代减去从外部结构努力构建最终的分割图像(图1 (b))。以下结构被分割,可用于培训:大脑皮层灰质(),基底神经节()、白质()、白质病变(),外围脑脊液()、侧脑室()、小脑()和脑干()。这些结构可以合并成灰质(1、2),白质(3、4),脑脊液(5、6)。小脑和脑干被排除在评价。t1上的所有结构分段扫描才能登记的扫描,除了白质病变(wml)和CSF外边界(用于确定颅内卷)。天赋的wml是分段扫描的神经学家neuroradiologist培训和检查并纠正的培训。CSF外边界分割使用t1和t1红外扫描,自t1红外扫描显示更高的对比在颅内体积的边界。CSF分割包括所有船只(包括上矢状窦和横向鼻窦)和nonbrain结构如大脑镰和脉络丛。

2.1.3。评价

评价分割结果我们使用三种措施:空间重叠,边界距离测量、体积测量。骰子(31日系数是用来确定空间重叠和被定义为 在哪里分割的结果,是参考标准,骰子是用百分比表示。95 th-percentile的豪斯多夫距离是用来确定分割边界之间的距离。传统的豪斯多夫距离使用最大,对异常值非常敏感。为离群值正确,我们使用95 th-percentile的豪斯多夫距离,通过选择th距离列为提出Huttenlocher et al。32]: 在哪里是排名最小欧氏距离,是边界点的集合的分割结果是边界点的集合的参考标准。95年th-percentile豪斯多夫距离被定义为 第三个措施是绝对体积百分比差异,定义为 在哪里分割结果的体积吗参考标准的体积。这些措施被用来评估以下大脑结构的15个测试数据集:通用、WM, CSF,大脑(通用+ WM)和颅内卷(GM + WM + CSF)。脑干和小脑都排除在评价。

2.1.4。排名

比较参与MRBrainS评价分割算法框架,排名算法的基于他们的总体性能部分通用,WM和脑脊液。每一个组件()是评估通过使用三个评价指标()中所描述的部分2.1。3。为每个组件和每个评估措施平均值和标准偏差,确定在所有15测试数据集。然后分割算法是排序的意思值降序排列和意思和值按升序。每个分割算法得到一个等级()之间的(排名最好)每个组件(参与算法)和每个评估措施。最后的总分排名是基于每一个算法,这是所有行列,定义为 在哪里等级分割算法的测量吗的组件。最后的排名,整体分数是按升序排序,排名从1到吗。在两个或两个以上的算法有同等分数,标准差在所有15测试数据集是考虑来确定最终的排名。细分算法然后在标准差按升序排序,排名为每个组件和每个评估措施。整体分数决定使用(5)和算法是基于这个分数按升序排序,排名从1到。平等的总体分数的算法基于均值然后排名基于标准差的排名。

2.2。评估方法

节中描述的评价框架2。1推出在MRBrainS13挑战研讨会在医学影像计算和计算机辅助干预(MICCAI)会议于2013年9月26日。对于车间的挑战,测试数据集被分为十二个现场和三个测试数据集。离线情况下,团队可以注册在MRBrainS网站(http://mrbrains13.isi.uu.nl/)和下载五个培训和十二个测试数据集。八周的时间槽可供团队下载数据,训练他们的算法,部分测试数据集,并在网站上提交他们的成果。58团队下载数据,其中十二提交他们的分割结果。评估结果报告给十二个团队和所有团队提交了一份车间纸在MICCAI MRBrainS13挑战研讨会。十一个小组将他们的研究结果发表在车间和分段三个现场测试数据集住在车间的时间段内3.5小时。这些算法提供一个基准提出的评价框架,并简要描述部分2.2。1- - - - - -. 2.2.11按字母顺序排列的团队的名字。团队的名字被用于识别方法。一个完整的描述的方法我们参考研讨会论文33- - - - - -43]。节2.2.12我们描述了评估免费包。

2.2.1。BIGR2 [37]

这multifeature SVM (37]方法分类体素通过使用支持向量机(SVM)分类器44)高斯内核。除了空间特性和强度信息从所有三个核磁共振序列,支持向量机分类器包括促进顺利Gaussian-scale-space功能分割。骷髅面具的剥离是由非刚性的注册培训图片到目标图像。

2.2.2。Bigr_neuro [41]

这auto-kNN [45)方法是基于一个自动kNN-classifier训练。首先,概率组织图谱是由非刚性的手动注册注释地图册,感兴趣的话题。训练样本得到的阈值概率图谱,随后修剪功能空间。白质病变检测通过应用一种自适应阈值,确定组织的分割,天赋序列。

2.2.3。CMIV [43]

一个statistical-model-guided水平集方法用于部分头骨,脑室和基底神经节。然后skeleton-based模型是由提取midsurface灰质和定义的厚度。这个模型纳入一个水平集的框架指导皮层灰质分割。连贯的传播算法(46)是用于加速水平集演化。

2.2.4。绝地心灵融合(42]

该方法首先通过各向异性扩散预处理的数据。对于每一个2 d片标签数据集,精明的边缘像素提取,计算和旅游走。这样做是为了轴向、矢状面和冠状视图。机器学习是使用这些功能来自动标签边缘像素的标记数据集。最后,这些标签是随机沃克所使用的自动分割。

2.2.5。LNMBrains [35]

立体像素强度的MRI序列建模为高斯分布为每个标签。高斯分布的参数最大似然估计和评估每个标签的后验概率是由使用贝叶斯估计。功能集组成的区域强度、质地、体素的空间位置,并使用后验概率估计分类各体素进入脑脊液,WM、通用汽车、或背景使用multicategory SVM分类器。

2.2.6款。MNAB [38]

这种方法使用随机决策森林分类体素为通用、WM和脑脊液。它开始通过头骨剥离过程,其次是每个核磁共振序列的归一化强度。特征提取在强度上执行,后验概率,社区统计,组织地图册,梯度大小。分类后,孤立像素点被后处理。

2.2.7。Narsil [34]

这是一个模范自由总体效果,使用决策树算法(47)学会从图像特征映射到相应的组织标签。决策树的乐团是由相应的图像补丁的T1和天赋扫描提供了手动分割。N3算法(48)用于额外的非均匀性校正和幽灵(49)是用于颅骨剥离。

2.2.8。Robarts [39]

Multiatlas登记(50与T1)训练图像被用来传播标签来生成样本在对数似强度模型和概率直方图形状先验。这些都是受雇于一个地图数据项和正则化通过计算层次最大流(51]。大脑面具T1-IR培训登记的图像被用来获得最终结果。

2.2.9。S2_QM [36]

这种方法(52)是基于Bayesian-based适应性和voxel-weighted意味着转变则算法。前者是用于大脑分割成大量的集群或模式。后者是用来分配这些集群的三个组件:WM、通用汽车、或脑脊液。

2.2.10。乌兰巴托VPML地中海(40]

这个方法创建一个multiatlas通过注册培训图片主题图像,然后传播相应的标签完全连通图的图像。标签融合多个标签然后结合到一个标签在每个立体像素强度基于相似性的加权投票。最后图簇的方法使用多路减少为了达到最终的分割。

. 2.2.11。UofL BioImaging [33]

这是一个自动化的基于地图的方法,旨在从t1加权磁共振无监督分割不同的大脑组织。它是基于概率的集成形状之前,使用一阶强度模型离散高斯函数的线性组合(LCDG),和一个二阶外观模型。这三个特性集成到一个两级联合Markov-Gibbs随机场(MGRF)模型T1-MR大脑的图像。头骨剥离了使用BET2 [40]其次是一种自适应基于阈值的方法来恢复的外边界使用T1和T1-IR脑脊液;这种技术并不是描述(33),由于美国专利申请53),但在描述54]。这种方法是应用半自动地MRBrainS测试数据,由于每次扫描参数调优。

2.2.12。免费包

旁边的方法评估研讨会,我们评估了三种常用的免费包先生的脑图像分割:FreeSurfer (http://surfer.nmr.mgh.harvard.edu/)[23,24),目前(http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/)[25),和SPM12 (http://www.fil.ion.ucl.ac.uk/spm/)[26]。所有包都应用使用默认设置,除非否则提到。FreeSurfer (v5.3.0)是应用于高分辨率T1序列。mri_label2vol工具被用来映射厚片T1上的标签是用于评估。目前(v5.0)是直接应用于厚片T1和提供pveseg和赛格文件二进制输出。我们评估这两个文件。部分强度阈值参数”“打赌工具集大脑/ nonbrain强度阈值是根据(55)为0.2(飞利浦阿奇沃3 t设置)。SPM12直接应用于厚片T1序列。然而,它还提供了选择添加多个核磁共振序列。因此我们评估SPM12不仅厚片T1序列上添加了T1-IR以及T2-FLAIR扫描和测试各种组合。高斯函数的数量是根据SPM手册为通用汽车两个,两个WM,和两个CSF。

2.3。统计分析

所有评估方法比较的参考标准。总结的结果,在所有15个测试数据集的平均值和标准偏差计算每个组件(通用、WM和CSF)和组合的组件(大脑,颅内体积)和每个评价指标(骰子,95 th-percentile豪斯多夫距离,和绝对体积差异)的评估方法。箱线图创建使用R版本3.0.3 (R项目统计计算(http://www.r-project.org/))。自白质病变应分段白质,白质病变体素的比例分割为白质(灵敏度)计算每一个算法在所有15测试数据集对病理学评价分割算法的鲁棒性。

3所示。结果

表1介绍了最终排名()的评估方法,参加了研讨会,以及评估免费包。在研讨会期间团队UofL BioImaging排名第一,BIGR2排名第二总分分的差距之一(5)。然而,增加免费包的结果导致同等分数UofL BioImaging BIGR2。因此标准偏差等级考虑,BIGR2与标准偏差等级四个排名第一,UofL BioImaging与标准偏差等级八排名第二。表1进一步提出了均值、标准差为每个评价指标和等级(,和AVD)和组件(通用、WM和CSF),以及大脑(WM +通用)和颅内体积(WM + GM CSF)。团队BIGR2得分最佳通用,WM和大脑分割和团队UofL BioImaging CSF分割。团队Robarts得分最好颅内体积分割。所有评价措施和组件的箱线图所示数据2- - - - - -4的结果,包括免费的包。图5显示了一个示例的分割结果在基底神经节的高度(22片测试主题9)。算法来段白质病变的敏感性WM和分割结果的例子的白质病变(31片测试主题3)如图6。团队乌兰巴托VPML地中海分数最高的白质病变敏感性分段白质,因此最健壮的这种类型的病理学的存在。

4所示。讨论

在本文中,我们提出了MRBrainS挑战在线评估框架来评估自动和半自动的分割算法通用、WM和CSF 3 t multisequence (T1、T1-IR T2-FLAIR)大脑的核磁共振扫描。我们评估和提出了11个分割算法的结果,为算法提供一个基准,使用在线评估框架来评估他们的表现。团队UofL BioImaging和BIGR2总分相等,但BIGR2基于标准差的排名中名列第一。评估方法代表各种各样的算法,包括马尔可夫随机场模型,聚类方法,可变形模型和atlas-based方法和分类器(SVM、资讯和决策树)。提出了评价框架提供了一个洞察这些算法的性能方面的准确性和鲁棒性。各种因素影响的选择一定高于其他方法。我们提供三种措施可以帮助选择的方法是最适合手头的细分目标:边界测量(95 th-percentile豪斯多夫距离),一个重叠的测量(骰子系数)和体积测量AVD)(绝对体积差异。所有三个措施考虑在内的最终排名的方法。这个排名是为了得到一个快速洞察如何进行相互比较的方法。最好的方法是执行的方法对这三个措施,所有三个组件(通用、WM和CSF)。然而,选择哪一种方法取决于手头上的分割目标。并非所有措施相关的所有分割目标。例如,如果分割用于大脑容量分析(4),重叠()和体积(AVD)大脑的措施和颅内卷(用于规范化56])分割是重要的考虑。另一方面,如果分割用于皮质厚度测量,重点应在灰质边界()和重叠()措施。因此最终的排名应该用于首先了解整体性能,之后的性能措施和最相关的组件应考虑手头的分割目标。除了准确性、鲁棒性也会影响某一方法的选择上面。例如,团队乌兰巴托VPML地中海显示了分段白质病变的灵敏度高的分数为白质(图6),显示了一个一致的分割性能的灰色和白色物质在所有15测试数据集(数字2- - - - - -4)。这可能有利于分段扫描的数量与白质病变,但更重要的是如果目标段年轻健康受试者的扫描。在后一种情况下,最准确的分割为灰色和白色物质(团队BIGR2)更有趣。如果分割算法应用于临床实践,速度是一个重要的考虑因素。运行时在表报告的评估方法1。然而,这些运行时仅仅是一个估计所需的时间,因为学术软件一般不进行速度和运行时优化测量在不同的电脑和平台。评价框架的另一个相关方面的比较多,而单序列的方法。例如,大多数方法斗争的分割颅内成交量t1扫描。没有对比CSF和头骨,硬脑膜之间的对比和CSF并不总是足够的。团队Robarts atlas-based登记方法用于T1-IR扫描(好对比头骨和CSF)段颅内体积,导致颅内体积分割(表的最佳性能1,数据2- - - - - -4)。大多数方法添加T2-FLAIR扫描对脑白质病变(表提高鲁棒性1,图6)。虽然只使用t1扫描和整合先验形状信息(团队UofL BioImaging)也可能非常有效,免费包支持这个。由于FreeSurfer atlas-based方法,它使用先验信息和所有免费包是最健壮的白质病变。然而,添加T2_FLAIR扫描SPM12增加鲁棒性对白质病变,应用SPM12相比只T1扫描(图6)。一般SPM12 T1和T2-FLAIR序列执行相比其他免费包(表1和数字2- - - - - -4)厚片MRI扫描。虽然添加T1-IR扫描SPM增加脑脊液的性能和ICV分割比只使用T1和T2-FLAIR序列,它降低了通用和WM分割的性能。因此添加所有序列SPM12没有导致一个更好的整体性能。

除了MRBrainS评价框架的优点,有一定的局限性,应考虑。t1加权IR和t2加权天赋扫描获得分辨率较低(0.96×0.96×3.00毫米³比3 d) t1扫描(1.0×1.0×1.0毫米³)。能够提供一个注册multisequence数据集,3 d t1扫描注册t2加权天赋扫描和downsampled 0.96×0.96×3.00毫米³。因此,参考标准仅用于这项决议。FreeSurfer通用分割的性能下降比其他免费包可能是由于这样的事实,我们评估的厚片T1序列而不是高分辨率T1。执行手动分割提供参考标准是非常吃力的,耗费时间。而不是让多个观察者手动部分核磁共振数据集或让一位观察家手动部分核磁共振数据集两次,多的时间和精力花在创建一个尽可能准确的参考标准。因此我们不能确定国际米兰——或者intraobserver可变性。最后,我们承认我们的评估框架是有限的评估的准确性和鲁棒性超过15的数据集分割通用、WM和CSF 3 t MRI扫描获得飞利浦扫描仪的特定群体的老年人。许多因素影响分割算法性能,如扫描仪的类型(供应商、磁场强度),收购协议,可用的MRI序列,和对象的类型。参与算法可能是为不同类型的核磁共振扫描而设计的。因此提供的五个训练数据集是重要的参与者能够培养他们的算法提供数据。 Some algorithms are designed to segment only some components, such as only GM and WM, instead of all three components, and use freely available software such as the brain extraction tool [57)段的外边界CSF(颅内体积)。我们选择最后的排名基于这三个组件,但因此重要的评估不仅最终的排名,但各个组件的性能。

尽管有这些限制,MRBrainS评估框架提供了客观、分割算法的直接比较。的参考标准测试数据是未知的参与者,相同的评估措施用于所有评估算法,和参与者自己的算法应用到所提供的数据。

相比,提出的在线验证引擎Shattuck et al。58],MRBrainS评估框架使用3 t MRI数据而不是1.5 t MRI数据和评估不仅大脑与nonbrain分割,而且分割灰质、白质、脑脊液、大脑和颅内体积。许多不同类型的评价框架的可用性将帮助发展的更通用的和健壮的算法。例如,在NEATBrainS (http://neatbrains15.isi.uu.nl/)的挑战,研究人员质疑他们的算法应用于数据从MRBrainS和NeoBrainS [59)(在新生儿脑组织分割)的挑战。两种方法(60- - - - - -62年)专门为新生儿脑组织分割显示高绩效组织分割的MRBrainS数据。将算法应用于不同类型的数据有可能导致新见解和更健壮的算法。MRBrainS评估框架还有待新的贡献。在撰写本文时,21团队MRBrainS网站上提交他们的成果(http://mrbrains13.isi.uu.nl/results.php)。

5。结论

MRBrainS挑战在线评估框架提供了直接、客观的比较自动和半自动方法部分通用、WM, CSF,大脑,ICV 3 t multisequence磁共振成像数据。第一个十一参与方法评估和摘要,以及三个常用的免费包(FreeSurfer,目前,SPM12)。他们提供了一个基准框架为未来的贡献。最终的排名提供了一种快速洞察的总体性能评估方法相比,而个人评价措施(骰子,95 th-percentile豪斯多夫距离,和绝对体积差异)每个组件(通用、WM CSF、大脑和ICV)可以帮助选择最佳的方法为一个特定的分割目标。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究在经济上支持IMDI格兰特104002002 (Brainbox)从ZonMw,荷兰卫生研究与发展组织,由飞利浦赞助,乌特勒支大学医学中心和埃因霍温科技大学。作者要感谢以下的乌得勒支血管性认知障碍的研究小组成员不在本文的合著者,但参与招聘的研究参与者和MRI收购联电乌特勒支(由部门按字母顺序排列):e . van den Berg m . Brundel s Heringa和l . j . Kappelle神经部,p . r . Luijten和w . p . Th。m·马里的放射学,a Algra和朱利叶斯·g·e·h . m . Rutten健康科学和初级保健中心。基尔特•简•Biessels和VCI组的研究财务支持由ZonMw VIDI格兰特91711384和2010年格兰特t073荷兰心脏基金会。珀斯de医学教授的研究为研究人才奖学金资助的乌得勒支大学医学中心(荷兰)。Annegreet van de Bruijne Opbroek和玛莲的研究为研究拨款资助NWO(荷兰科学研究组织)。作者要感谢MeVis医疗解决方案公司(德国不来梅)提供MeVisLab。Duygu Sarikaya梁和赵承认他们顾问杰森·科索教授的指导。Duygu Sarikaya梁是由国立卫生研究院1一下R21 CA160825-01和赵部分支持的中国学术委员会(CSC)。