Automatic Segmentation of the Spinal Cord Nerve Rootlets

要約

脊髄神経根の正確な同定は、脊髄の機能活動の研究において脊髄レベルを描写するのに関連します。
この研究の目標は、T2 強調磁気共鳴画像法 (MRI) スキャンから脊髄神経根を意味論的にセグメンテーションする自動方法を開発することでした。
2 つのオープンアクセス MRI データセットからの画像を使用して、C2 ～ C8 背側神経根をセグメント化するアクティブ ラーニング アプローチを使用して 3D マルチクラス畳み込みニューラル ネットワークをトレーニングしました。
各出力クラスは脊椎レベルに対応します。
この方法は、トレーニング中に表示されなかったデータセットからの 3T T2 強調画像でテストされ、サイト間、セッション間、解像度間の変動を評価しました。
テスト ダイス スコアは 0.67 +- 0.16 (ルートレット レベル全体の平均 +- 標準偏差) であり、良好なパフォーマンスを示しています。
この方法では、ベンダー間および施設間の変動性が低いこと（変動係数 <= 1.41 %）、およびセッション間の変動性が低いこと（変動係数 <= 1.30 %）も実証されており、異なる MRI ベンダー、施設、施設間で安定した予測が行われていることを示しています。 そしてセッション。 提案された方法論はオープンソースであり、Spinal Cord Toolbox (SCT) v6.2 以降ですぐに利用できます。

要約(オリジナル)

Precise identification of spinal nerve rootlets is relevant to delineate spinal levels for the study of functional activity in the spinal cord. The goal of this study was to develop an automatic method for the semantic segmentation of spinal nerve rootlets from T2-weighted magnetic resonance imaging (MRI) scans. Images from two open-access MRI datasets were used to train a 3D multi-class convolutional neural network using an active learning approach to segment C2-C8 dorsal nerve rootlets. Each output class corresponds to a spinal level. The method was tested on 3T T2-weighted images from datasets unseen during training to assess inter-site, inter-session, and inter-resolution variability. The test Dice score was 0.67 +- 0.16 (mean +- standard deviation across rootlets levels), suggesting a good performance. The method also demonstrated low inter-vendor and inter-site variability (coefficient of variation <= 1.41 %), as well as low inter-session variability (coefficient of variation <= 1.30 %) indicating stable predictions across different MRI vendors, sites, and sessions. The proposed methodology is open-source and readily available in the Spinal Cord Toolbox (SCT) v6.2 and higher.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google