Segmenting white matter hyperintensities on isotropic three-dimensional Fluid Attenuated Inversion Recovery magnetic resonance images: A comparison of Deep learning tools on a Norwegian national imaging database

要約

MRI（磁気共鳴画像）の神経画像解析において，白質高濃度（WMH）の自動的なセグメンテーションは不可欠である．Fluid Attenuated Inversion Recovery（FLAIR-weighted）は、脳小血管障害やアルツハイマー病（AD）の特徴であるWMHの可視化と定量化に特に有効なMRI造影法である。臨床MRIプロトコルは、3次元（3D）FLAIR強調収集に移行し、3つのボクセル次元すべてで高い空間分解能を可能にする。本研究では、全国的なADイメージングイニシアチブの一環として取得された3D FLAIR強調画像からの自動WMHセグメンテーションと特性評価を可能にするための深層学習ツールの展開について詳述している。 DDI研究の642人の参加者（男性283人、平均年齢：（65.18±9.33）歳）の中で、2つの社内ネットワークが5つの全国収集サイトにわたって訓練され、検証された。3つのモデルを、642人の参加者の内部データのうち保留されたサブセットと、国際的な共同研究者からの29症例の外部データセットでテストした。これらのテストセットは独立して評価された．5つの確立されたWMHパフォーマンスメトリクスを用い、ヒューマン・イン・ザ・ループ・セグメンテーションと比較した。 テストした3つのネットワークの結果、3D nnU-Netは、平均ダイス類似度スコア0.78±0.10と最高のパフォーマンスを示し、自社開発の2.5DモデルおよびSOTA Deep Bayesianネットワークの両方よりも優れたパフォーマンスを発揮しました。 MRIプロトコルで3D FLAIR強調画像の使用が増加する中、我々の結果は、WMHセグメンテーションモデルが3Dデータでトレーニングされ、T1強調画像シリーズを含む必要なく、最新技術と同等以上のWMHセグメンテーション性能をもたらすことができることを示唆している。

要約(オリジナル)

Automated segmentation of white matter hyperintensities (WMHs) is an essential step in neuroimaging analysis of Magnetic Resonance Imaging (MRI). Fluid Attenuated Inversion Recovery (FLAIR-weighted) is an MRI contrast that is particularly useful to visualize and quantify WMHs, a hallmark of cerebral small vessel disease and Alzheimer’s disease (AD). Clinical MRI protocols migrate to a three-dimensional (3D) FLAIR-weighted acquisition to enable high spatial resolution in all three voxel dimensions. The current study details the deployment of deep learning tools to enable automated WMH segmentation and characterization from 3D FLAIR-weighted images acquired as part of a national AD imaging initiative. Among 642 participants (283 male, mean age: (65.18 +/- 9.33) years) from the DDI study, two in-house networks were trained and validated across five national collection sites. Three models were tested on a held-out subset of the internal data from the 642 participants and an external dataset with 29 cases from an international collaborator. These test sets were evaluated independently. Five established WMH performance metrics were used for comparison against ground truth human-in-the-loop segmentation. Results of the three networks tested, the 3D nnU-Net had the best performance with an average dice similarity coefficient score of 0.78 +/- 0.10, performing better than both the in-house developed 2.5D model and the SOTA Deep Bayesian network. With the increasing use of 3D FLAIR-weighted images in MRI protocols, our results suggest that WMH segmentation models can be trained on 3D data and yield WMH segmentation performance that is comparable to or better than state-of-the-art without the need for including T1-weighted image series.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL