文献速递神经MR

深度学习分割实现多系统萎缩壳核精准勾画

Deep learning segmentation results in precise delineation of the putamen in multiple system atrophy.
PubMed 文献 · Eur Radiol · 2023-05-01

本研究回顾性纳入251例受试者(61例MSA、158例PD、32例健康对照),训练Deep Neural Patchwork(DNP)分割壳核,并与AAL3、Freesurfer、Fastsurfer比较。DNP的Dice系数达0.96,显著优于其他算法,且鉴别MSA与PD及健康对照的AUC为0.93,优于AAL3(0.88)、Freesurfer(0.86)和Fastsurfer(0.85)。

要点

  • DNP壳核分割Dice系数0.96,与人工标注体积高度一致,尤其适用于明显萎缩的MSA病例。
  • 基于DNP壳核体积鉴别MSA与PD及健康对照的AUC为0.93,优于AAL3、Freesurfer和Fastsurfer。
  • AAL3倾向高估壳核体积,Freesurfer和Fastsurfer倾向低估,而DNP与人工标注无显著差异。

核心结论

  • DNP能在存在显著壳核萎缩时实现准确的壳核分割,性能优于现有算法,有助于MSA诊断及影像参数提取。

研究设计与样本

  • 回顾性双中心研究,纳入251例受试者(61例MSA、158例PD、32例健康对照),随机分为训练集131例和测试集120例,以神经放射科医师手动分割为参考标准。
  • MRI采用3T扫描仪(MAGNETOM Prisma, Siemens),T1w MPRAGE序列参数:TR 2500 ms,TE 2.82 ms,翻转角7°,TI 1100 ms,GRAPPA因子2,1.0 mm3各向同性体素,192层连续矢状面采集。

关键影像表现/征象

  • 人工标注壳核体积在MSA为2.62±1.03 mL,显著低于健康对照(4.61±0.54 mL;p<0.001)和PD(4.34±0.53 mL;p<0.001),健康对照与PD间无差异(p=0.36)。
  • AAL3分割壳核体积(6.17±1.04 mL)显著大于人工标注(3.93±1.04 mL;p<0.001),Freesurfer(2.81±0.85 mL)和Fastsurfer(2.98±0.94 mL)显著小于人工标注(均p<0.001),DNP(3.88±0.96 mL)与人工标注无显著差异(p=0.99)。
  • DNP的Dice系数为0.96±0.02,显著高于AAL3(0.72±0.08)、Freesurfer(0.82±0.06)和Fastsurfer(0.84±0.05)(均p<0.001);DNP的95% Hausdorff距离为0.89±0.30,优于AAL3(3.76±1.28)、Freesurfer(2.79±1.16)和Fastsurfer(2.76±1.16)(均p<0.001)。
  • 各算法在MSA组的Dice系数均低于健康对照和PD组(均p<0.001),但DNP的差异幅度明显更小。

诊断标准与关键数值

  • 基于DNP壳核体积鉴别MSA与PD及健康对照的AUC为0.93(95%CI 0.87–0.97),cut-off值为3.77 mL;人工标注的AUC为0.93(95%CI 0.87–0.97),cut-off值为3.57 mL。
  • AAL3的AUC为0.88(95%CI 0.81–0.94),cut-off值5.51 mL;Freesurfer的AUC为0.86(95%CI 0.79–0.92),cut-off值2.33 mL;Fastsurfer的AUC为0.85(95%CI 0.78–0.91),cut-off值2.61 mL。
  • DeLong检验显示DNP的AUC显著优于AAL3(p=0.02)、Freesurfer(p=0.048)和Fastsurfer(p=0.04)。

临床应用与阅片要点

  • DNP分割壳核与人工标注体积高度一致,可用于MSA患者壳核体积测量及影像组学形状特征提取,避免因萎缩导致的勾画偏差。
  • AAL3、Freesurfer和Fastsurfer在MSA萎缩壳核上Dice系数降低,基于其体积的鉴别诊断效能亦低于DNP,阅片时需注意算法选择对体积测量的影响。
  • DNP可左右侧分开识别壳核,对PD等临床偏侧性疾病的功能影像不对称分析有潜在价值。

局限性

  • 研究为双中心回顾性设计,且采用统一扫描协议,模型泛化性受限。
  • 分割时虽对诊断设盲,但SWI上MSA患者壳核外侧缘信号缺失可能引入潜在偏倚。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 May 1;33(10):7160–7. doi: 10.1007/s00330-023-09665-2

引言

多系统萎缩(MSA)是一种非典型帕金森综合征,因此是帕金森综合征尤其是帕金森病(PD)的重要鉴别诊断。然而,初始的临床鉴别较为困难,误诊相当常见[1]。在病理生理学上,MSA与PD一样属于α-突触核蛋白病,而在MSA中,多个脑区还会出现额外的胶质细胞胞质包涵体[1]。

多项研究评估了基于MRI的参数,以加深对MSA体内病理生理学和发病机制的理解[2–8]。目标结构的精确分割对于读取序列参数(例如来自不同扩散模型的参数)或进行影像组学分析(例如使用形状特征)至关重要。一种常用的方法是在感兴趣区(ROI)方法中提取序列参数。标准化脑图谱或Freesurfer衍生的分割通常用于勾画特征性区域。然而,在具有显著区域性萎缩的疾病中,这些技术可能因精度不足而受限,从而可以想象,由于分割不准确,序列参数的提取可能存在潜在偏倚。

脑结构的手工分割虽然仍是一种准确的方法,尤其是在萎缩情况下,但耗时且可能存在读者间变异[9]。与Freesurfer和概率方法相比,深度学习等人工智能技术更有能力检测萎缩结构[10]。因此,Fastsurfer最近被引入作为一种基于Freesurfer的技术,它使用深度学习方法以提高分析速度,并且更适合痴呆相关的萎缩[10]。此外,深度学习方法改进的脑结构分割也可能具有诊断价值,因为容积测量在非典型帕金森综合征中已显示出鉴别潜力[11, 12]。

基于深度学习的图像分割通常依赖U-Net或U形网络的变体。这些算法基于卷积神经网络,而卷积神经网络也常用于生物医学图像分割。该网络由收缩路径和扩张路径组成,使其能够有效地从图像中学习特征并因此进行分割[13]。作为复杂解剖脑结构自动分割的一个例子,屏状核已使用基于U形网络的多视图2D卷积神经网络架构成功分割[14]。

使用完整高分辨率3D图像样本的方法通常受限于可用的硬件资源,特别是用于网络训练的图形处理单元内存有限。解决这一限制的典型技术是将图像数据划分为较小的图像块,从而将任务分解为较小的子任务。然而,这通常会导致全局上下文信息的丢失,可能限制这些方法的有效性。深度神经补丁网络(Deep Neural Patchworks,DNP)是一种分割框架,基于固定矩阵大小但物理输入尺寸递减的基于补丁的3D网络的层次化和嵌套堆叠,解决了高分辨率3D图像中全局上下文与内存限制之间的困境[15]。该框架已显示出在高精度分割头颈部CT扫描中用于计算机辅助颅颌面外科的小型图像结构的潜力[16]。

因此,本研究的目的是开发一种用于MSA和PD中壳核分割的深度神经补丁网络。此外,我们比较了深度神经补丁网络分割与已建立的脑图谱Freesurfer以及深度学习加速的Fastsurfer的准确性,并评估了基于深度神经补丁网络分割的体积参数的诊断价值。

材料与方法

受试者

这项回顾性双中心研究纳入了2018年1月至2021年12月期间因神经退行性帕金森综合征的鉴别诊断或评估高级治疗方案而接受MRI检查的患者。招募了临床确诊或很可能为MSA或PD的患者。临床诊断由两位运动障碍专家(M.R.,委员会认证神经科医师;W.H.J.,委员会认证神经科医师;N.S.,>7年神经科培训)根据现行诊断标准进行验证;使用所有可用的医疗记录进行最佳临床终生诊断[17, 18]。

我们纳入了年龄和性别匹配的健康对照(HC)作为比较组。HC组的受试者无已知的神经系统疾病、临床检查无神经功能缺损,且无神经退行性帕金森综合征家族史。此外,该组受试者根据蒙特利尔认知评估[19]未显示神经心理损害。

该研究经机构审查委员会批准(伦理委员会——弗莱堡大学;EK 22/1270),并按照《赫尔辛基宣言》及其后续修正案进行。由于本研究的回顾性性质,书面知情同意的要求被豁免。

MRI检查方案

MRI使用3特斯拉扫描仪(MAGNETOM Prisma,Siemens Healthcare)配合64通道头颈线圈进行。帕金森综合征患者在采集期间处于ON状态。T1加权(T1w)图像采用三维(3D)磁化准备180°射频脉冲和快速梯度回波(MPRAGE)序列采集(重复时间:2500 ms,回波时间:2.82 ms,翻转角:7°,TI = 1100 ms,GRAPPA因子 = 2,1.0 mm3各向同性体素,192层连续矢状切片)。此外,3D T2w FLAIR和2D SWI数据如补充表1所述获取。

基于AAL3、Freesurfer和Fastsurfer的壳核分割

所有数据处理均在我们内部的后期处理平台(NORA;www.nora-imaging.com)上实现。T1w成像数据集使用CAT12(http://www.neuro.uni-jena.de/cat/)自动分割为白质和灰质并进行空间标准化。由此,采用AAL3图谱创建壳核的感兴趣区(ROI)[20]。

我们从FreeSurfer工具箱[21]6.0版本获得壳核的自动分割,并在根据Desikan-Killiany图谱(DKT)[22]进行分区后,采用了近期引入的Fastsurfer方法[10]。

用于壳核分割的深度神经补丁网络

由一位对临床诊断不知情的经验丰富的神经放射科医生(A.R.,5年神经影像经验)在同时考虑3D FLAIR和SWI的情况下,在3D重建的T1w MPRAGE图像上手动分割左侧和右侧壳核,如图1所示,作为进一步处理和分析的金标准。壳核轮廓的初步分割在轴位层面上手动完成,轮廓校正则在冠状位和矢状位重建图像上进行。该手动分割作为进一步DNP训练和不同方法测试的金标准。由于训练数据和测试数据在患者层面分离,因此避免了数据泄漏。从训练样本中每类随机抽取一个病例作为验证病例以监测训练过程。DNP被用作分割框架,其基于固定矩阵大小但物理输入尺寸递减的补丁式3D网络的层次化和嵌套堆叠。层次金字塔的大小选择使其能够在最粗层为每个维度提供合理的150 mm三维视野,并在最小层以1 mm各向同性分辨率提供极高的空间分辨率。选择323体素的矩阵大小以映射解剖结构的代表性部分。这些设置受限于样本大小和金字塔大小方面的可用硬件容量。本项目所应用的基础U-Net架构接近默认U-Net配置,特征维度为(8, 16, 16, 32, 64),编码层使用最大池化,解码层使用转置卷积。网络使用Adam优化器训练,学习率为0.001。作为损失函数,使用了top-K损失的二元交叉熵变体。Patchwork CNN训练了500万个补丁。训练在图形处理器内存中以150张图像的批量大小进行,耗时约20小时。训练在GPU加速的服务器系统上使用RTX A6000图形处理器(NVIDIA)进行。训练期间,补丁被随机采样,使得约80%的最细补丁至少包含一个标签。未进行系统调参,设置 adapted 自先前确立的数值[16]。为评估DNP层次结构的性能,我们训练了一个更经典的单层3D U-Net,矩阵大小为1283,从而将空间分辨率降至2×2×1.5 mm [23]。由于如此大的3D U-Net对硬件要求很高,批量大小不得不限制为10个样本。

为了在独立测试数据集中生成结果,使用了随机分块方案,并结合树状分支采样方法。具体而言,从最粗级别随机抽取六个嵌套图像块,并选择包含标签概率最高的三个图像块在下一嵌套级别进行进一步分析。该过程在所有级别上重复进行,从而能够高效覆盖相关图像部分。完整体积的预测在16核CPU机器(无GPU)上进行,根据所使用的图像体积,耗时约2分钟。

图1 图像数据标注和深度神经补丁网络训练的工作流程示意图。HC 健康对照;MSA 多系统萎缩;PD 帕金森病;FLAIR 液体衰减反转恢复;SWI 磁敏感加权成像;MPRAGE 磁化准备快速梯度回波 查看原图 ↗

统计学

统计分析使用R(版本4.1.0,https://www.R-project.org/)进行。连续变量以均值和标准差表示,分类变量以绝对频数和百分比表示。使用Shapiro–Wilk检验评估数据的正态分布。组间差异采用卡方检验和Mann–Whitney-U检验评估。组间差异通过方差分析(ANOVA)评估,随后进行Tukey诚实显著性检验。AAL3图谱、Freesurfer和Fastsurfer方法以及DNP与人工标注相比的性能通过Dice系数和95% Hausdorff距离评估。我们绘制了测试队列中壳核体积用于MSA与PD和HC鉴别诊断的ROC曲线,并计算了AUC和截断值。采用DeLong检验比较AUC。我们另外通过Bland–Altman图评估了各算法的性能。显著性阈值设定为p < 0.05。

数据和代码可用性

数据可在合理请求并经当地伦理委员会批准后向作者获取。DNP框架的代码及壳核分割的独立版本可在bitbucket.org/reisert/patchwork获取。

结果

受试者

我们报告了32例HC、61例MSA患者和158例PD患者。HC、MSA或PD组之间在年龄方面无组间差异(p = 0.49),而PD组纳入的男性患者多于HC或MSA组(p < 0.001)。PD组的疾病持续时间显著长于MSA组(p < 0.001)。进一步的患者特征见表1。

在DNP训练之前,我们将队列随机分为训练集(N = 131:17例HC,30例MSA,84例PD)和测试集(N = 120:15例HC,31例MSA,74例PD),两者在年龄和性别方面无差异(p > 0.05)。

表1 参与者特征 查看原表 ↗

各算法用于壳核分割的性能

人工金标准标注显示,MSA的壳核体积(2.62 ± 1.03 mL)显著低于HC(4.61 ± 0.54 mL;p < 0.001)和PD(4.34 ± 0.53 mL;p < 0.001),而HC与PD之间无差异(p = 0.36)。我们成功获得了所有所用算法的壳核分割结果,即AAL3、Freesurfer、Fastsurfer和DNP,如图2所示,并观察到各算法输出中无侧别差异(所有p > 0.05,请见补充图1)。

所有算法均显示,与健康对照(HC)和帕金森病(PD)相比,多系统萎缩(MSA)的壳核体积显著降低,如图3所示。关于各组内的平均壳核体积,与人工真实标注(3.93 ± 1.04 mL)相比,AAL3的输出结果在结构上体积更大(6.17 ± 1.04 mL;p < 0.001),而Freesurfer和Fastsurfer的输出结果在结构上体积更小(分别为2.81 ± 0.85 mL和2.98 ± 0.94;均p < 0.001)。真实标注与DNP之间发现了良好的一致性(3.88 ± 0.96 mL;p = 0.99)。

以下结果进一步印证了这一点:与DNP的0.96 ± 0.02相比,AAL3的Dice系数显著较低,为0.72 ± 0.08(p < 0.001),Freesurfer为0.82 ± 0.06(p < 0.001),Fastsurfer为0.84 ± 0.05(p < 0.001);同时DNP的95% Hausdorff距离更优(0.89 ± 0.30),而AAL3为(3.76 ± 1.28;p < 0.001),Freesurfer为(2.79 ± 1.16;p < 0.001),Fastsurfer为(2.76 ± 1.16;p < 0.001)。更经典的单层3D-Unet表现也劣于DNP,其Dice系数为0.90 ± 0.04(p < 0.001)。

按诊断分组后的更详细分析显示,AAL3、Freesurfer、Fastsurfer和DNP在MSA中的Dice评分均低于HC或PD(均p < 0.001)。更多详情见表2。Dice系数结果由Bland–Altman图进一步印证(请见补充图1)。

图2 自动解剖标记3(AAL3)、Freesurfer、Fastsurfer和深度神经补丁网络在健康对照(66岁女性)、帕金森病患者(49岁女性)和多系统萎缩患者(68岁女性)中的示例性分割输出 查看原图 ↗
图3 A 不同分割方法的平均壳核体积(mL)以及(B)用于鉴别多系统萎缩患者与帕金森病患者及健康对照的受试者工作特征曲线。其中,深度神经补丁网络(DNP)的表现优于AAL3图谱以及Freesurfer(FS)和Fastsurfer(FFS)方法(p < 0.05)。AAL3相关数据以蓝色表示,Freesurfer以红色表示,Fastsurfer以灰色表示,DNP以黄色表示,人工标注以绿色表示 查看原图 ↗
表2 按组拆分并比较的Dice系数和95% Hausdorff距离 查看原表 ↗

诊断价值比较

为评估各分割方法的诊断价值,我们计算了MSA与PD及HC比较的AUC-ROC。AAL3衍生分割的AUC为0.88(95% CI 0.81–0.94;截断值5.51 mL),Freesurfer为0.86(95% CI 0.79–0.92;截断值2.33 mL),Fastsurfer为0.85(95% CI 0.78–0.91;截断值2.61 mL),DNP为0.93(95% CI 0.87–0.97;截断值3.77 mL),而人工真实标注的AUC为0.93(95% CI 0.87–0.97;截断值3.57 mL)。DeLong检验显示,DNP的AUC优于AAL3(p = 0.02)、Freesurfer(p = 0.048)和Fastsurfer(p = 0.04)。

讨论

使用一个特征明确的MSA、PD患者和健康对照队列,我们训练了一个DNP来有效分割壳核。在此过程中,DNP优于已有的AAL3图谱以及Freesurfer和Fastsurfer。这体现在与专家人工分割相比接近相等的体积,以及基于DNP的分割在识别MSA患者方面具有更高的诊断准确性。

总体而言,我们的真实标签与既往研究中HC、MSA和PD的壳核体积范围相符[12, 24–29]。与真实标签相比,我们观察到AAL3算法倾向于高估壳核体积,而Freesurfer和Fastsurfer倾向于低估。相比之下,DNP的输出接近人工标注。Freesurfer输出的Dice系数与一项研究处于相同范围,该研究将30名健康受试者的壳核分割在两名人工标注者之间(人工vs.人工的Dice系数为0.9)与Freesurfer的输出(人工vs.不同Freesurfer版本的Dice系数:0.82–0.9)进行了关联[24]。

值得注意的是,所有采用的技术在MSA组中勾画壳核的表现均劣于HC和PD组,尽管DNP方法中Dice评分的差异显著更小。因此,基于AAL3、Freesurfer和Fastsurfer的方法的主要挑战在于对MSA中壳核萎缩的识别不足,一方面表现为与DNP相比更低的Dice系数和更差的95% Hausdorff距离,另一方面也表现为更小的AUC。这主要是因为AAL3、Freesurfer和Fastsurfer方法均未使用壳核萎缩患者进行标注,因此缺乏这一病理谱系。鉴于壳核萎缩在疾病谱内存在变异性[12],MSA特异性脑图谱在临床环境中显得相当不便。相比之下,DNP由于采用基于像素的分割方法,对壳核萎缩意义上的可变范围病理变化具有敏感性,并成功应用于MSA患者以及作为重要鉴别诊断的PD患者。值得注意的是,所采用的DNP的层次化基于块的3D架构优于Fastsurfer方法,后者本身依赖于深度学习技术,即由2D网络组合而成,这些网络将图像数据作为不同重建格式的多层输入进行评估。它也优于在相同数据集上训练的经典单层3D U-Net(高矩阵尺寸),且训练时间和硬件资源相当。

原则上,AAL3、Freesurfer和Fastsurfer的壳核体积测量也具有合理的诊断价值,因为体积是以结构性方式被低估或高估的。然而,这些方法不足以进行更深入的分析。不正确的分割无法进行准确的基于影像组学的形状分析。这种形状特征的评估可能证实MSA中壳核内神经变性已知的非均匀受累模式,即以背外侧为著[30]。此外,不正确的分割可显著影响定量图像参数的使用,这些参数常用于评估神经退行性过程。在这方面,准确的分割对于识别神经退行性疾病中临床症状与中枢神经系统改变之间的关联至关重要,因为这种方法在诊断方法和体内病理生理学研究方面均具有巨大潜力[31, 32]。

我们的DNP方法能够以左右分离的方式识别壳核,这对帕金森病(PD)尤为重要,因为它是一种临床上常表现为侧别差异的疾病,功能成像中也已知存在不对称性,而MRI报道的结果尚有争议[32–35]。

图像数据仅在两中心环境下以统一检查方案收集,这一事实限制了模型的泛化能力。然而,已有研究表明,基于结构非增强3D T1w图像数据的分割算法可有效转化[36]。尽管分割是在对诊断设盲的情况下进行的,但存在潜在偏倚,因为分割时可获得磁敏感加权成像(SWI),而已知在多系统萎缩(MSA)患者中壳核外侧缘会出现信号消失[37]。

总之,即使存在显著萎缩,DNP也能实现壳核的准确分割。壳核的精确勾画使得能够提取成像参数或分析形状特征。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 267 kb)

引用

  1. Rau, Schröter, Rijntjes, et al. Deep learning segmentation results in precise delineation of the putamen in multiple system atrophy. Eur Radiol. 2023. PMID: 37121929. doi:10.1007/s00330-023-09665-2
  2. 全文:PMC10511621(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10511621/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。