基于 nnU-Net 的脑 MRI 脑血管空间自动分割综合框架

背景：脑血管空间(PVS)的增大是神经退行性疾病，包括小血管病、阿尔茨海默病和帕金森病中常见的现象。PVS增大可能指示清除通路受损，目前缺乏可靠的PVS检测方法。目标：优化用于PVS分割的广泛使用的深度学习模型,no-new-UNet(nnU-Net)。方法：在30名健康受试者(平均$\pm$标准差年龄:50$\pm$18.9岁;13名女性)中获取了使用三种不同协议的三台MRI扫描仪(3T Siemens Tim Trio、3T Philips Achieva和7T Siemens Magnetom)获取的T1加权MRI图像。每个受试者在每个受试者的十个轴向切片上手动分割PVS。采用稀疏注释策略完成分割。共比较了11个模型，使用各种图像处理、预处理和半监督学习策略，其中包括伪标签。采用5折交叉验证(5FCV)评估模型性能。主要性能指标为Dice相似系数(DSC)。结果：体素间距无关的模型(平均$\pm$标准差DSC=64.3$\pm$3.3%)优于重采样至相同分辨率的模型(DSC=40.5-55)。在迭代标签清理后，模型性能显著提高(DSC=85.7$\pm$1.2%)。使用伪标签( n=12,740)进行半监督学习来自18个额外数据集的伪标签，提高了原始与预测PVS聚类计数之间的一致性(Lin's concordance correlation coefficient=0.89，95%置信区间=0.82-0.94)。我们将模型扩展到 enable 在中脑(DSC=64.3$\pm$6.5%)和尾状核(DSC=67.8$\pm$5%)进行PVS分割。结论：我们的深度学习模型为脑 MRI 的PVS自动量化提供了一个稳健且全面的框架。