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

白質高信号 (WMHs) の自動セグメンテーションは、磁気共鳴画像法 (MRI) の神経画像解析に不可欠なステップです。
Fluid Attenuated Inversion Recovery (FLAIR 加重) は、脳小血管疾患およびアルツハイマー病 (AD) の特徴である WMH の視覚化および定量化に特に役立つ MRI コントラストです。
臨床 MRI プロトコルは、3 次元 (3D) FLAIR 加重取得に移行して、3 つのボクセル次元すべてで高い空間分解能を実現します。
現在の研究では、国の 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 加重画像から自動 WMH セグメンテーションと特徴付けを可能にするディープ ラーニング ツールの展開について詳しく説明しています。
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トレーニングされ、5 つの全国収集サイトで検証されました。
3 つのモデルは、642 人の参加者からの内部データの保留サブセットと、国際協力者からの 29 のケースを含む外部データセットでテストされました。
これらのテスト セットは個別に評価されました。
確立された 5 つの WMH パフォーマンス メトリックを使用して、グラウンド トゥルースのヒューマン イン ザ ループ セグメンテーションと比較しました。
テストした 3 つのネットワークの結果、3D nnU-Net は最高のパフォーマンスを発揮し、平均ダイス類似度スコアは 0.78 +/- 0.10 で、社内で開発された 2.5D モデルと SOTA ディープ ベイジアン ネットワークの両方よりも優れたパフォーマンスを示しました。
MRI プロトコルでの 3D FLAIR 加重画像の使用の増加に伴い、我々の結果は、WMH セグメンテーション モデルを 3D データでトレーニングし、最新技術と同等以上の WMH セグメンテーション パフォーマンスを生成できることを示唆しています。
T1加重画像シリーズを含む。

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, Google