Sjálfvirk merking á heilastofni í segulómmyndum: Samanburður á djúpnámi og hand-merkingum

Abstract

Inngangur: Parkinson-plús sjúkdómar eru hópur sjaldgæfra taugahrörnunarsjúkdóma með klínísk einkenni sem svipa til Parkinsons-veiki. Rétt greining þeirra, sérstaklega snemma í sjúkdómsferlinu, getur verið erfið, þar sem einkenni eru óræð og skortur er á sértækum og næmum rannsóknaraðferðum. Tveir þessara sjúkdóma, ágeng ofankjarnalömun (e. progressive supranuclear palsy, PSP) og fjölkerfa rýrnun (e. multiple system atrophy, MSA) bera með sér þekktar sérkennandi og staðbundnar rýrnanir á undirsvæðum heilastofnsins, en þær eru sjónrænt illgreinanlegar á segulómmyndum snemma í sjúkdómsferlinu. Til að reyna að nema þær fyrr hafa sjálfvirkar merkingaraðferðir á segulómmyndum verið þróaðar. Ein slík hefur verið þróuð af rannsóknarhópi í Rafmagns- og tölvuverkfræðideild Háskóla Íslands, en hún merkir sjálfvirkt tólf svæði í djúpheila sem hafa verið tengd Parkinson-plús sjúkdómum og eru fjögur undirsvæði heilastofns þar á meðal. Slíkar merkingaraðferðir eru sérstaklega gagnlegar sjúklingahópum líkt og PSP og MSA, þar sem einkenni geta verið misleit og rannsóknir á þeim krefjast því greiningar stórra gagnasafna.Markmið: Markmið þessarar rannsóknar er að gera eigindlegan og megindlegan samanburð á merkingum á undirsvæðum heilastofns með sjálfvirkri gervigreindaraðferð annars vegar og handvirkt hins vegar. Í kjölfar þess er stórt gagnasafn af segulómmyndum af heila af sjúklingum með MSA og PSP merkt með sjálfvirku merkingaraðferðinni í leit að staðbundnum merkjum rýrnunar í heilastofni sem þekkt er að sérkenni þá.Efni og aðferðir: Fjögur undirsvæði heilastofns voru merkt handvirkt á 15 segulómmyndum frá Neuromorphometrics. Þessar myndir voru notaðar sem atlasar í sjálfvirkri fjölatlasa merkingaraðferð, sem kallast RUDOLPH, sem notuð var til að búa til þjálfunargögn fyrir nýju gervigreindaraðferðina. Fyrir samanburð á sjálfvirkum og handvirkum merkingum á heilastofni voru þessi fjögur undirsvæði hans handmerkt með og merkt á sjálfvirkan hátt með gervigreindaraðferðinni á sömu 12 segulómmyndunum frá tveim gagnasöfnum, ADNI og ASAP-CIR. Fyrir rannsókn á staðbundnum rýrnunum í heilastofni hjá sjúklingum með PSP og MSA voru undirsvæði heilastofns merkt sjálfvirkt á samtals 630 áður óséðum segulómmyndum frá ASAP-CIR af einstaklingum með PSP og MSA, með samanburði við Parkinson-veika (PD) og heilbrigða.Niðurstöður: Handmerkingar á heilastofni voru marktækt stærri en merkingar með sjálfvirku aðferðinni fyrir öll fjögur svæðin (p < 0,001), með fjarlægðarmun milli yfirborða metinn á bilinu 1,47-1,90 mm með 95% Hausdorff fjarlægð (H95) og 0,648-0,685 mm með Average Symmetric Surface Distance (ASSD). Þrátt fyrir það var sjónrænt samrými í skurðflötum milli undirsvæða heilastofns hjá sjálfvirku og handvirku merkingunum. Munurinn í rúmmáli fólst í brún sem sjálfvirka aðferðin merkti ekki á mörkum hvítfyllu og heila- og mænuvökva. Fyrir rúmmálsmælingu undirsvæða heilastofns hjá sjúklingum með MSA og PSP var marktækur munur (p < 0,001) á rúmmáli miðheila hjá sjúklingum með PSP gegn öllum öðrum hópum, og marktækur munur (p < 0,001) á rúmmáli brúar hjá sjúklingum með hnykils-afbrigði MSA (MSA-C) gegn öllum öðrum hópum. Rúmmálsreiknað hlutfall milli miðheila og brúar hafði næmi = 0,650 og sértæki = 0,724 til aðgreiningar á PSP og PD, næmi = 0,500 og sértæki = 0,915 til aðgreiningar á MSA og PD, og næmi = 0,874 og sértæki = 0,667 til aðgreiningar á PSP og MSA.Ályktun: Sjálfvirka merkingaraðferðin var áreiðanleg, en rót misræmis milli sjálfvirkra og handvirkra merkinga var líklega í forvinnslu Neuromorphometrics myndanna sem notaðar voru til upphaflegrar þjálfunar. Rúmmálsmælingar á undirsvæðum heilastofns hjá sjúklingum með MSA og PSP voru í samræmi við áður útgefnar rannsóknir, þar sem afgerandi rýrnun á miðheila og efri hnykilstoðum voru einkennandi fyrir PSP, og afgerandi rýrnun í brú var einkennandi fyrir MSA-C. Hlutfall milli rúmmáls miðheila og rúmmáls brúar sýndi ekki jafn góða greiningarhæfni og sama hlutfall reiknað út frá flatarmáli, sem birt hefur verið í fyrri rannsóknum, en sú niðurstaða var jafnframt í samræmi við fyrri rannsóknir.

Introduction: Parkinson-plus Syndromes are a group of rare neurodegenerative disorders that present with similar clinical symptoms as Parkinson’s Disease (PD). Accurate and timely diagnosis can be chal¬lenging, due to symptom overlap between diseases and lack of specific and sensitive diagnostic tests. Two Parkinson-plus Syndromes, Progressive Supranuclear Palsy (PSP) and Multiple System Atrophy (MSA), have known focal atrophy in specific substructures of the brainstem, however, signs of that at¬rophy are hard to detect visually on Magnetic Resonance Imaging (MRI) at early stages. In order to detect these focal atrophies sooner, automatic segmentation methods for MRIs have been developed. One such method developed by a research group at the Department of Electrical- and Computer Engineering at the University of Iceland. This method automatically segments twelve deep-brain structures that have been linked to Parkinson-Plus Syndromes, four of which are substructures of the brainstem. Automated segmentation tools such as this are especially useful for research on disorders such as PSP and MSA, where clinical and pathological presentation can be highly heterogeneous. Therefore, research cohorts need to be large to draw valid conclusions about the population.Aims: The aim of this research is to do a quantitative and qualitative comparison of manual versus automatic segmentations on substructures of the brainstem. Subsequently, a mass analysis on the volumetrics of the substructures of the brainstem for subjects with MSA and PSP is performed, in order to evaluate focal atrophy in the brainstem linked to these disorders.Materials and Methods: Four substructures of the brainstem were manually labelled on 15 MRIs from Neuromorphometrics. These labeled MRIs were used as atlases in a multi-atlas segmentation method called RUDOLPH, which was used to automatically produce training data for a fast, artificial intelligence (AI)-based segmentation approach. For comparison of automatic and manual segmentations, the four substructures of the brainstem were manually segmented and automatically segmented using the AI- method on the same 12 MRIs from two datasets, ADNI and ASAP-CIR. For research on the focal atrophy in the brainstem for patients with PSP and MSA, the substructures of the brainstem were automatically segmented on a total of 630 previously unseen MRIs from ASAP-CIR, comprising subjects with PSP and MSA with PD and healthy controls as comparison groups.Results: Manual segmentations were significantly larger than automatic segmentations for all four substructures of the brainstem (p < 0.001), with surface error estimated at 1.47-1.90 mm using the 95% Hausdorff distance (H95) and 0.648-0.685 mm using Average Symmetric Surface Distance (ASSD). Visual comparison revealed that the borders between the brainstem substructures generated by the automatic method were consistent with manual segmentations. However, the difference in volume resulted from a bright rim along the boundary between the structures and cerebrospinal fluid, where the automatic method was consistently undersegmenting. For mass analysis on the volumetrics of the brainstem substructures for patients with MSA and PSP, there was a significant (p < 0.001) difference in the volume of the mesencephalon in patients with PSP as compared to all other groups, and a significant difference (p < 0.001) in the volume of the pons in patients with the cerebellar variant of MSA (MSA-C) as compared to all other groups. The volumetric mesencephalon to pons (MP) ratio had a sensitivity of 0.650 and specificity of 0.724 when separating PSP from PD, sensitivity of 0.500 and specificity of 0.915 when separating MSA from PD, and sensitivity of 0.874 and specificity of 0.667 when separating PSP from MSA.Conclusions: The automatic segmentation method performed consistently across the test subjects, however the difference between manual and automatic segmentations was most likely linked to the processing of the Neuromorphometric data, which was used for initial training. Volumetric analysis of the brainstem substructures in patients with MSA and PSP was consistent with previously published research, in which focal atrophy of the mesencephalon and superior cerebellar peduncles was a defining feature of PSP, and focal atrophy of the pons was a defining feature of MSA-C. The volumetric MP ratio did not perform as well as the planimetric MP ratio previously reported in the literature, which was also consistent with previously published research.