面向通用用途的血管周围间隙识别 nnUNet (PINGU)
计算机视觉与模式识别
2024-05-20 v2 人工智能
摘要
血管周围间隙（PVSs）构成了大脑废物清除系统——胶状淋巴系统的核心组成部分。这些结构在 MRI 图像上可见，其形态与衰老和神经系统疾病相关。人工量化 PVS 耗时且主观。目前已开发出许多用于 PVS 分割的深度学习方法，但大多数是在同质数据集和高分辨率扫描上开发和评估的，这可能限制了它们在临床和研究中获取的各种图像质量下的适用性。在这项工作中，我们在来自 6 个不同数据集、具有不同质量和分辨率的手动分割 MRI 图像的异质训练样本上，训练了 nnUNet 这一性能顶尖的生物医学图像分割算法。将这些方法与公开可用的 PVS 3D 分割深度学习方法进行了比较。所得模型 PINGU（面向通用用途的血管周围间隙识别 nnUNet）在白质（WM）中的体素和簇级别 Dice 分数分别为 0.50(SD=0.15) 和 0.63(0.17)，在基底节（BG）中分别为 0.54(0.11) 和 0.66(0.17)。对于来自未见过的站点的数据，PINGU（0.20-0.38(WM, 体素), 0.29-0.58(WM, 簇), 0.22-0.36(BG, 体素), 0.46-0.60(BG, 簇)）和公开可用算法（0.18-0.30(WM, 体素), 0.29-0.38(WM, 簇), 0.10-0.20(BG, 体素), 0.15-0.37(BG, 簇)）的性能均大幅下降，但 PINGU 明显优于公开可用算法，尤其是在 BG 中。最后，在具有同质扫描属性的单站点手动分割上训练 PINGU，在内部交叉验证中性能略低，但在某些情况下在外部验证中性能更高。PINGU 作为一种广泛使用的 PVS 分割工具脱颖而出，在 BG 这一与血管疾病和病理相关的 PVS 区域具有特别的优势。
引用
@article{arxiv.2405.08337,
title = {Perivascular space Identification Nnunet for Generalised Usage (PINGU)},
author = {Benjamin Sinclair and Lucy Vivash and Jasmine Moses and Miranda Lynch and William Pham 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. OBrien and Meng Law},
journal= {arXiv preprint arXiv:2405.08337},
year = {2024}
}