[논문 리뷰] Perivascular space Identification Nnunet for Generalised Usage (PINGU)

Benjamin Sinclair, Lucy Vivash외 17명|arXiv (Cornell University)|2024. 05. 14.

Neurosurgical Procedures and Complications인용 수 5

한 줄 요약

PINGU는 이질적인 MRI 데이터에서 nnUNet을 학습시켜 다양한 영상 품질에서 주변혈관 공간(PVS) 분할을 일반화하고, 공개 방법보다 우수하며, 특히 기저핵에서 더 나은 성능을 보이지만 보지 않은 사이트에서의 성능은 저하된다.

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.

연구 동기 및 목표

• 이질적인 MRI 데이터 세트 전반에서 강건한 PVS 분할의 동기를 제고한다.
• PVS 분할을 위한 일반화 가능한 nnUNet 기반 모델(PINGU)을 개발한다.
• 백질과 기저핵에서의 성능을 공개 기준과 비교하여 평가한다.
• 교차 사이트 일반화 및 외부 검증에서 학습 데이터의 동질성이 미치는 영향을 평가한다.

제안 방법

• 다양한 품질과 해상도를 가진 여섯 개 데이터셋의 수동으로 구분된 MRI 데이터를 사용하여 nnUNet을 학습한다.
• 백질(WM)과 기저핵(BG)에서 복셀 단위 및 군집(클러스터) 단위 Dice 점수를 평가한다.
• PINGU를 PVS를 위한 공개적으로 이용 가능한 3D 분할 방법들과 비교한다.
• 단일 사이트의 동질 데이터셋으로 학습한 경우와 다중 사이트의 이질적 데이터로 학습한 경우의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 다양한 MRI 품질과 사이트에 일반화 가능한 nnUNet 기반 PVS 분할 모델이 될 수 있는가?
• RQ2 백질과 기저핵에서 PINGU의 성능은 공개 방법에 비해 어떠한가?
• RQ3 외부 검증 성능에 대한 학습 데이터의 동질성 영향은 무엇인가?
• RQ4 미확인 데이터에서 PINGU의 교차사이트 성능은 다른 알고리즘과 어떻게 비교되는가?

주요 결과

• PINGU의 백질에서 복셀 Dice 점수는 0.50(SD=0.15), 군집 Dice 점수는 0.63(0.17)이다.
• 기저핵에서 복셀 Dice 점수는 0.54(0.11), 군집 Dice 점수는 0.66(0.17)이다.
• 보지 않은 사이트에서 PINGU 성능은 백질 복셀 0.20-0.38, 백질 클러스터 0.29-0.58, BG 복셀 0.22-0.36, BG 클러스터 0.46-0.60으로 감소했다.
• 공개 알고리즘은 미확인 데이터에서 더 낮은 범위를 나타냈다(예: 백질 복셀 0.18-0.30, 백질 클러스터 0.29-0.38, BG 복셀 0.10-0.20, BG 클러스터 0.15-0.37).
• PINGU는 공개적으로 이용 가능한 알고리즘보다 우수했고, 특히 기저핵에서 더 나은 성능을 보였는데, 이 영역은 혈관 질환 및 병리와 연관되어 있다.
• 단일 사이트의 수동 분할 데이터로 학습한 PINGU는 내부 교차 검증이 약간 낮았지만 외부 검증 성능은 때때로 더 높았다.