[论文解读] 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 5

一句话总结

PINGU 在异质性 MRI 数据上训练 nnUNet，以实现跨不同图像质量的周围血管空间分割的一般化，在公开方法中表现更好，尤其是在基底节区，尽管在未见站点上的性能下降。

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.

研究动机与目标

• 使在异质性 MRI 数据集上实现鲁棒的 PVS 分割成为可能。
• 开发一个可泛化的基于 nnUNet 的模型（PINGU）用于 PVS 分割。
• 在白质和基底节区相对于公开基线评估性能。
• 评估跨站点泛化能力以及训练数据同质性对外部验证的影响。

提出的方法

• 在六个数据集的手动分割 MRI 数据上训练 nnUNet，数据质量和分辨率各不相同。
• 在 WM 和 BG 上评估体素级和簇级 Dice 分数。
• 将 PINGU 与公开可用的 PVS 三维分割方法进行比较。
• 评估在单一站点同质数据集训练与多站点异质数据训练时的性能差异。

实验结果

研究问题

• RQ1 一个基于 nnUNet 的 PVS 分割模型是否能够泛化到多样化的 MRI 质量和站点？
• RQ2 相对于公开方法，PINGU 在白质与基底节的表现如何？
• RQ3 训练数据的同质性对外部验证性能有何影响？
• RQ4 未见数据上，PINGU 的跨站点性能与其他算法相比如何？

主要发现

• PINGU 在白质中的体素 Dice 分数为 0.50（SD=0.15），簇 Dice 分数为 0.63（0.17）。
• PINGU 在基底节中的体素 Dice 分数为 0.54（0.11），簇 Dice 分数为 0.66（0.17）。
• 在未见站点上，PINGU 的表现下降至 WM 体素 0.20-0.38、WM 簇 0.29-0.58、BG 体素 0.22-0.36、BG 簇 0.46-0.60。
• 公开算法在未见数据上的范围较低（例如 WM 体素 0.18-0.30、WM 簇 0.29-0.38、BG 体素 0.10-0.20、BG 簇 0.15-0.37）。
• PINGU 在公开可用的算法中表现更优，尤其在基底节区——该区域与血管疾病及病理相关。
• 在单一站点手动分割且扫描数据同质的情况下训练的 PINGU，内部交叉验证略低，但有时在外部验证中的表现更高。