MedNet-PVS：用于 Perivascular Spaces 自动分割的 MedNeXt 基于深度学习模型
摘要
扩张性血管空间（PVS）日益被认可是小血管病、阿尔茨海默病、中风以及与衰老相关的神经退行性疾病的生物标志物。然而，PVS 的手动分割耗时且受中期可靠性影响，而现有的自动深度学习模型性能仅 moderately，通常无法在 diverse 临床和研究 MRI 数据集上泛化。我们采用 MedNeXt-L-k5，这是一种受 Transformer 启发的 3D 编码器-解码器卷积网络，用于 PVS 的自动分割。我们训练了两个模型：一个使用来自 Human Connectome Project-Aging（HCP-Aging）数据集的 200 例 T2 加权（T2w）MRI 扫描训练，另一个使用来自七个研究、六个扫描仪的 40 例异构 T1 加权（T1w）MRI 体积训练。评估模型使用 internal 5 折交叉验证（5FCV）和 leave-one-site-out 交叉验证（LOSOCV）。在 HCP-Aging 数据集的 T2w 图像上训练的 MedNeXt-L-k5 模型在白 matter（WM）上的体素级 Dice 评分为 0.88±0.06，相当于该数据集报告的中期可靠性，已是文献中最高的。同一模型在 HCP-Aging 数据集的 T1w 图像上训练时，Dice 评分显著降低至 0.58±0.09（WM）。在 LOSOCV 下，模型在 WM 上的体素级 Dice 评分为 0.38±0.16，背景（BG）为 0.35±0.12，簇级 Dice 评分为 0.61±0.19（WM）和 0.62±0.21（BG）。MedNeXt-L-k5 为跨 diverse T1w 和 T2w MRI 数据集的 PVS 自动分割提供了有效解决方案。MedNeXt-L-k5 并不优于 nnU-Net，这表明 transformer 启发的注意力机制在提供全局上下文方面并非必需，才能在 PVS 分割中实现高准确率。
引用
@article{arxiv.2508.20256,
title = {MedNet-PVS: A MedNeXt-Based Deep Learning Model for Automated Segmentation of Perivascular Spaces},
author = {Zhen Xuen Brandon Low and Rory Zhang and Hang Min and William Pham and Lucy Vivash and Jasmine Moses and Miranda Lynch and Karina Dorfman and Cassandra Marotta and Shaun Koh and Jacob Bunyamin and Ella Rowsthorn and Alex Jarema and Himashi Peiris and Zhaolin Chen and Sandy R. Shultz and David K. Wright and Dexiao Kong and Sharon L. Naismith and Terence J. O'Brien and Ying Xia and Meng Law and Benjamin Sinclair},
journal= {arXiv preprint arXiv:2508.20256},
year = {2025}
}
备注
59 pages, 9 figures