[論文レビュー] Perivascular space Identification Nnunet for Generalised Usage (PINGU)

Benjamin Sinclair, Lucy Vivash+17 more|arXiv (Cornell University)|May 14, 2024

Neurosurgical Procedures and Complications被引用数 5

ひとこと要約

PINGUは異質なMRIデータでnnUNetを訓練し、さまざまな画像品質に跨る周囲血管周囲空間のセグメンテーションを一般化し、公開手法を上回り、特に基底核で優れた性能を示すが、未見サイトでの性能は低下する。

ABSTRACT

Perivascular spaces(PVSs) form a central component of the brainś waste clearance system, the glymphatic system. These structures are visible on MRI images, and their morphology is associated with aging and neurological disease. Manual quantification of PVS is time consuming and subjective. Numerous deep learning methods for PVS segmentation have been developed, however the majority have been developed and evaluated on homogenous datasets and high resolution scans, perhaps limiting their applicability for the wide range of image qualities acquired in clinic and research. In this work we train a nnUNet, a top-performing biomedical image segmentation algorithm, on a heterogenous training sample of manually segmented MRI images of a range of different qualities and resolutions from 6 different datasets. These are compared to publicly available deep learning methods for 3D segmentation of PVS. The resulting model, PINGU (Perivascular space Identification Nnunet for Generalised Usage), achieved voxel and cluster level dice scores of 0.50(SD=0.15), 0.63(0.17) in the white matter(WM), and 0.54(0.11), 0.66(0.17) in the basal ganglia(BG). Performance on data from unseen sites was substantially lower for both PINGU(0.20-0.38(WM, voxel), 0.29-0.58(WM, cluster), 0.22-0.36(BG, voxel), 0.46-0.60(BG, cluster)) and the publicly available algorithms(0.18-0.30(WM, voxel), 0.29-0.38(WM cluster), 0.10-0.20(BG, voxel), 0.15-0.37(BG, cluster)), but PINGU strongly outperformed the publicly available algorithms, particularly in the BG. Finally, training PINGU on manual segmentations from a single site with homogenous scan properties gave marginally lower performances on internal cross-validation, but in some cases gave higher performance on external validation. PINGU stands out as broad-use PVS segmentation tool, with particular strength in the BG, an area of PVS related to vascular disease and pathology.

研究の動機と目的

• 異質なMRIデータセット全体で堅牢なPVSセグメンテーションを動機づける。
• PVSセグメンテーションのための一般化可能なnnUNetベースのモデル（PINGU）を開発する。
• 白質と基底核全体で、公開ベースラインと比較して性能を評価する。
• クロスサイトの一般化と、外部検証におけるトレーニングデータの均質性の影響を評価する。

提案手法

• 品質と解像度が異なる6つのデータセットから手動分割されたMRIデータを用いてnnUNetを訓練する。
• 白質（WM）と基底核（BG）でボクセルレベルおよびクラスターレベルのDiceスコアを評価する。
• PINGUをPVSの公開されている3Dセグメンテーション手法と比較する。
• 単一サイトの均質データセットで訓練した場合と、複数サイトの異質データで訓練した場合の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 nnUNetベースのPVSセグメンテーションモデルは、多様なMRI品質とサイトに一般化できるか。
• RQ2 基底核と白質におけるPINGUの公的手法に対する性能はどうか。
• RQ3 外部検証性能に対するトレーニングデータの均質性の影響は何か。
• RQ4 未見データにおけるPINGUのクロスサイト性能は、他のアルゴリズムと比べてどうか。

主な発見

• PINGUは白質でボクセル dice 0.50（SD=0.15）、クラスターダイス 0.63（0.17）を達成した。
• 基底核でボクセル0.54（0.11）とクラスタ0.66（0.17）を達成。
• 未見サイトでは、PINGUの性能はWMボクセル0.20-0.38、WMクラスタ0.29-0.58、BGボクセル0.22-0.36、BGクラスタ0.46-0.60へ低下。
• 公開アルゴリズムは未見データでのレンジが低めを示した（例：WMボクセル0.18-0.30、WMクラスタ0.29-0.38、BGボクセル0.10-0.20、BGクラスタ0.15-0.37）。
• PINGUは公開されているアルゴリズムを上回り、特に血管疾患・病理に関連する領域である基底核で優位だった。
• 単一サイトの均質なスキャンからの手動セグメンテーションでPINGUを訓練すると、内部的なクロスバリデーションは僅かに低いが、外部検証の性能が時に高くなる。