DOI: https://doi.org/10.1007/s00234-026-03993-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41995815
تاريخ النشر: 2026-04-17
المؤلف: William Pham وآخرون
الموضوع الرئيسي: تقنيات تقسيم الصور الطبية
نظرة عامة
يتناول هذا القسم من ورقة البحث تحسين نموذج التعلم العميق nnU-Net لعملية تقسيم المساحات المحيطة بالأوعية الدموية (PVS) في تصوير الرنين المغناطيسي للدماغ، والتي تُعتبر بشكل متزايد علامات تصويرية مهمة في الاضطرابات التنكسية العصبية. شمل البحث 30 مشاركًا صحيًا، مع صور MRI موزونة بتقنية T1 تم الحصول عليها من ثلاثة أجهزة تصوير مختلفة. تم إجراء تقسيم يدوي لـ PVS عبر عشر شرائح محورية، وتم تطبيق nnU-Net لتحليل الشرائح غير المعلّمة باستخدام استراتيجية توضيح نادرة. تم تقييم أداء النموذج من خلال التحقق المتقاطع بخمسة أضعاف، مع معامل تشابه سورنسن-دايس (DSC) كمقياس رئيسي.
أشارت النتائج إلى أن النموذج الذي لا يعتمد على تباعد الفوكسل حقق متوسط DSC قدره 64.3% وتحسن بشكل كبير إلى 85.7% بعد تنظيف التسمية التكراري. بالإضافة إلى ذلك، عزز التعلم شبه المراقب باستخدام تسميات زائفة من 18 مجموعة بيانات دقة النموذج، مما أسفر عن معامل ارتباط توافق لين قدره 0.89. أظهر النموذج النهائي أداءً قويًا عبر أجهزة تصوير الرنين المغناطيسي المختلفة، محققًا DSCs قدرها 88.5% و86.2% لفحوصات 3T و7T، على التوالي. علاوة على ذلك، تم توسيع النموذج لاكتشاف PVS في الدماغ الأوسط والحصين، مع DSCs قدرها 64.3% و67.8%، على التوالي. بشكل عام، تقدم هذه الدراسة إطارًا شاملاً للتقدير الآلي لـ PVS في تصوير الرنين المغناطيسي للدماغ، مما يبرز فعالية نموذج nnU-Net وإمكاناته للتطبيقات السريرية في تقييم الأمراض التنكسية العصبية.
مقدمة
تناقش المقدمة أهمية المساحات المحيطة بالأوعية الدموية (PVS) في الدماغ، وهي قنوات مملوءة بالسوائل تسهل إزالة النفايات الجزيئية من خلال آليات الغليمفاتيك، خاصة أثناء النوم العميق. ترتبط العوائق في هذه العملية بإهمال النوم ومجموعة متنوعة من الأمراض العصبية، بما في ذلك مرض الأوعية الصغيرة الدماغية، ومرض الزهايمر، وإصابة الدماغ الرضحية. يمكن تصور PVS المتضخمة باستخدام تصوير الرنين المغناطيسي التشريحي، مما يوفر وسيلة لتقييم تقدم المرض. ومع ذلك، فإن تقسيم PVS يدويًا يتطلب جهدًا كبيرًا، مما يثير الحاجة إلى طرق آلية.
تسلط الورقة الضوء على التقدم في معالجة الصور الطبية الحيوية، وخاصة استخدام إطار nnU-Net لتقسيم PVS بشكل آلي من تصوير الرنين المغناطيسي الموزون بتقنية T1. أظهر إصدار مشفر nnU-Net المتبقي (ResEnc) أداءً محسنًا من خلال دمج الاتصالات المتبقية. تهدف الدراسة إلى تعزيز رؤية PVS من خلال دمج تقنيات معالجة الصور، مثل تصفية الوسائل غير المحلية (NLMF) لإزالة الضوضاء وتعديل التباين باستخدام التوزيع التكيفي (AHE)، جنبًا إلى جنب مع استراتيجية توضيح نادرة والتعلم شبه المراقب مع التسميات الزائفة. بالإضافة إلى ذلك، يتم تقييم قوة تقسيم PVS عبر قوى المجال المختلفة لتصوير الرنين المغناطيسي، ويتم توسيع النموذج ليشمل تسلسلات الاسترداد المعكوس المثبطة للسوائل (FLAIR) لتقسيم متزامن للفرط الشديد في المادة البيضاء وPVS في مناطق الدماغ غير المستكشفة مثل الدماغ الأوسط والحصين.
الطرق
يستعرض قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، حيث تم دمج التحليلات الإحصائية لتقييم البيانات المجمعة من مصادر متنوعة. تم اختيار المشاركين من خلال طريقة أخذ عينات طبقية لضمان عينة تمثيلية، وتم جمع البيانات باستخدام أدوات موثوقة لقياس المتغيرات ذات الصلة.
شمل التحليل تطبيق نماذج الانحدار المتعددة لتقييم العلاقات بين المتغيرات المستقلة والتابعة. بالإضافة إلى ذلك، استخدم الباحثون تقنيات مثل ANOVA لمقارنة اختلافات المجموعات واختبارات ما بعد hoc لتحديد تفاعلات المجموعات المحددة. تم تحديد مستوى الدلالة عند $p < 0.05$، مما يضمن أن النتائج كانت قوية إحصائيًا. بشكل عام، تم تصميم الإطار المنهجي لتوفير رؤى موثوقة حول الفرضيات المطروحة في الدراسة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو التوقعات الأولية، مما يبرز الأنماط أو الارتباطات أو الشذوذات الملحوظة خلال الدراسة.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مؤكدين كيف تساهم في المعرفة الحالية في هذا المجال. قد يتم تناول أي قيود واجهت خلال عملية البحث وتأثيرها المحتمل على النتائج، مما يوفر فهمًا شاملاً لمساهمات الدراسة والسياق الذي يجب تفسير النتائج فيه.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجيات ومجموعات البيانات المستخدمة لتدريب وتقييم نماذج nnU-Net الخاصة بهم التي تهدف إلى تقسيم المساحات المحيطة بالأوعية الدموية (PVS) في فحوصات الرنين المغناطيسي. كانت مجموعة البيانات الأساسية تتكون من بيانات MRI من 30 ضابطًا صحيًا عبر ثلاث دراسات متميزة، كل منها مع ديموغرافيات وبروتوكولات تصوير مختلفة. تمت الموافقة على مجموعات البيانات أخلاقيًا، وقدم المشاركون موافقة مستنيرة. شمل الحصول على MRI صورًا موزونة بتقنية T1 من أجهزة تصوير مختلفة، مع تحديد معلمات محددة لكل مجموعة بيانات. تم استخدام مجموعة بيانات ثانوية، تتكون من 12,605 صورة من مستودعات الوصول المفتوح و135 صورة إضافية من دراسة CANVAS، لتعزيز أداء النموذج من خلال تقنيات التعلم شبه المراقب.
استخدم المؤلفون استراتيجية توضيح نادرة، حيث تم وضع علامات يدوية على PVS في عدد محدود من الشرائح، تلتها توقعات النموذج لإكمال التقسيمات. قاموا بتحسين بنية النموذج من خلال اختبار تباعدات فوكسل مختلفة وتقنيات المعالجة المسبقة، ليجدوا في النهاية أن نموذجًا لا يعتمد على تباعد الفوكسل حقق أفضل أداء. أدى تنظيف التسمية التكراري والتعلم شبه المراقب إلى تحسين دقة التقسيم، حيث أظهرت النماذج النهائية توافقًا عاليًا مع التقسيمات اليدوية. تشير النتائج إلى أن إطار nnU-Net، خاصة مع التحسينات مثل التسمية الزائفة والمعالجة المسبقة المحسنة، يحسن بشكل كبير تقسيم PVS في فحوصات الرنين المغناطيسي، مما يظهر إمكاناته للتطبيقات في العالم الحقيقي في تصوير الأعصاب.
القيود
تنشأ قيود الدراسة بشكل أساسي من حجم العينة الصغيرة المستخدمة للتحقق من أداء نموذج التعلم الآلي، حيث كان هناك 30 تقسيمًا متاحًا فقط لنموذج T1-weighted (T1w) الذي يستهدف المادة البيضاء (WM) والمساحات المحيطة بالأوعية الدموية في العقد القاعدية (BG-PVS). بينما أظهر النموذج أداءً جديرًا بالثناء على الرغم من هذا القيد، كانت مجموعة بيانات التحقق تتكون فقط من صور من ضباط صحيين، مما قد لا يمثل بشكل كاف تعقيدات فحوصات الرنين المغناطيسي في المرضى الذين يعانون من اضطرابات عصبية. يجب أن تهدف الأبحاث المستقبلية إلى تضمين بيانات MRI من السكان المتأثرين لتعزيز قدرة النموذج في اكتشاف الآفات المرضية جنبًا إلى جنب مع هياكل PVS.
بالإضافة إلى ذلك، تعترف الدراسة بأن النموذج الذي يستهدف PVS في الدماغ الأوسط والحصيني يمكن أن يستفيد من عدة تحسينات، بما في ذلك دمج مجموعة بيانات تدريبية أكبر، حيث أن الحجم الحالي (n=50-60) صغير نسبيًا لتقسيم الصور الطبية الحيوية. تم تطبيق تنظيف التسمية فقط على نموذج T1w لـ WM وBG-PVS، ويمكن استكشاف تقنيات معالجة مسبقة إضافية، مثل تصفية الوسائل غير المحلية (NLMF) وتوزيع التكيف (AHE)، لتعزيز اكتشاف PVS. قيد العدد المحدود من عينات الاختبار لنماذج T1w+FLAIR وT2-weighted (T2w) استخدام التحقق المتقاطع بخمسة أضعاف، مما أدى إلى الاعتماد على إجراء التدريب والاختبار. يمكن أن تركز الأعمال المستقبلية على الحصول على تسميات إضافية من خلال استراتيجيات توضيح نادرة أو استخدام تقنيات تنظيف التسمية والتسمية الزائفة لتوليد بيانات تدريب عالية الجودة، مما يسهل تقييم النموذج بشكل أكثر قوة.
DOI: https://doi.org/10.1007/s00234-026-03993-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41995815
Publication Date: 2026-04-17
Author(s): William Pham et al.
Primary Topic: Medical Image Segmentation Techniques
Overview
This research paper section discusses the optimization of the no-new-UNet (nnU-Net) deep learning model for the segmentation of perivascular spaces (PVS) in brain MRI, which are increasingly recognized as important imaging biomarkers in neurodegenerative disorders. The study involved 30 healthy participants, with T1-weighted MRI images acquired from three different MRI scanners. Manual segmentation of PVS was performed across ten axial slices, and the nnU-Net was applied to analyze unlabelled slices using a sparse annotation strategy. Model performance was assessed through 5-fold cross-validation, with the Sørensen-Dice Similarity Coefficient (DSC) as the primary metric.
The results indicated that the voxel-spacing agnostic model achieved a mean DSC of 64.3% and significantly improved to 85.7% after iterative label cleaning. Additionally, semi-supervised learning with pseudolabels from 18 datasets enhanced the model’s accuracy, yielding a Lin’s concordance correlation coefficient of 0.89. The final model demonstrated robust performance across different MRI scanners, achieving DSCs of 88.5% and 86.2% for 3T and 7T scans, respectively. Furthermore, the model was extended to detect PVS in the midbrain and hippocampus, with DSCs of 64.3% and 67.8%, respectively. Overall, this study presents a comprehensive framework for the automated quantification of PVS in brain MRI, highlighting the effectiveness of the nnU-Net model and its potential for clinical applications in neurodegenerative disease assessment.
Introduction
The introduction discusses the significance of perivascular spaces (PVS) in the brain, which are fluid-filled channels that facilitate the clearance of molecular waste through glymphatic mechanisms, particularly during deep sleep. Impairments in this clearance process are linked to sleep deprivation and various neurological diseases, including cerebral small vessel disease, Alzheimer’s disease, and traumatic brain injury. Enlarged PVS can be visualized using anatomical MRI, providing a means to assess disease progression. However, manual segmentation of PVS is labor-intensive, prompting the need for automated methods.
The paper highlights advancements in biomedical image processing, particularly the use of the nnU-Net framework for automated PVS segmentation from T1-weighted MRI. The nnU-Net Residual Encoder (ResEnc) version has shown improved performance through the incorporation of residual connections. The study aims to enhance PVS visibility by integrating image preprocessing techniques, such as non-local means filtering (NLMF) for denoising and adaptive histogram equalization (AHE) for contrast adjustment, alongside a sparse annotation strategy and semi-supervised learning with pseudo-labels. Additionally, the robustness of PVS segmentation across different MRI field strengths is evaluated, and the model is extended to include fluid-attenuated inversion recovery (FLAIR) sequences for concurrent segmentation of white matter hyperintensities and PVS in underexplored brain regions like the midbrain and hippocampus.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various sources. Participants were selected through a stratified sampling method to ensure a representative sample, and the data were gathered using validated instruments to measure the relevant variables.
The analysis involved the application of multiple regression models to assess the relationships between the independent and dependent variables. Additionally, the researchers employed techniques such as ANOVA to compare group differences and post-hoc tests to identify specific group interactions. The significance level was set at $p < 0.05$, ensuring that the findings were statistically robust. Overall, the methodological framework was designed to provide reliable insights into the hypotheses posed in the study.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against the initial hypotheses or expectations, highlighting significant patterns, correlations, or anomalies observed during the study.
In this section, the authors may also discuss the implications of their findings, emphasizing how they contribute to the existing body of knowledge in the field. Any limitations encountered during the research process and their potential impact on the results may also be addressed, providing a comprehensive understanding of the study’s contributions and the context in which the results should be interpreted.
Discussion
In this section, the authors discuss the methodologies and datasets used for training and evaluating their nnU-Net models aimed at segmenting perivascular spaces (PVS) in MRI scans. The primary dataset consisted of MRI data from 30 healthy controls across three distinct studies, each with varying demographics and imaging protocols. The datasets were ethically approved, and participants provided informed consent. The MRI acquisition involved T1-weighted images from different scanners, with specific parameters outlined for each dataset. A secondary dataset, comprising 12,605 images from open-access repositories and an additional 135 images from the CANVAS study, was utilized to enhance model performance through semi-supervised learning techniques.
The authors employed a sparse annotation strategy, where PVS were manually labeled in a limited number of slices, followed by model predictions to complete the segmentations. They optimized the model architecture by testing various voxel spacings and preprocessing techniques, ultimately finding that a voxel-spacing agnostic model yielded the best performance. Iterative label cleaning and semi-supervised learning further improved segmentation accuracy, with the final models demonstrating high concordance with manual segmentations. The results indicate that the nnU-Net framework, particularly with enhancements such as pseudo-labeling and optimized preprocessing, significantly improves the segmentation of PVS in MRI scans, showcasing its potential for real-world applications in neuroimaging.
Limitations
The limitations of the study primarily stem from the small sample size used to validate the machine learning model’s performance, with only 30 segmentations available for the T1-weighted (T1w) model targeting white matter (WM) and basal ganglia perivascular spaces (BG-PVS). While the model demonstrated commendable performance despite this limitation, the validation dataset consisted solely of images from healthy controls, which may not adequately represent the complexities of MRI scans in patients with neurological disorders. Future research should aim to include MRI data from affected populations to enhance the model’s capability in detecting pathological lesions alongside PVS structures.
Additionally, the study acknowledges that the model targeting midbrain and hippocampal PVS could benefit from several improvements, including the incorporation of a larger labeled training dataset, as the current size (n=50-60) is relatively small for biomedical image segmentation. Label cleaning was applied only to the T1w model for WM and BG-PVS, and further preprocessing techniques, such as Non-Local Means Filtering (NLMF) and Adaptive Histogram Equalization (AHE), could be explored to enhance PVS detection. The limited number of test samples for the T1w+FLAIR and T2-weighted (T2w) models restricted the use of 5-fold cross-validation, leading to reliance on a train-test procedure. Future work could focus on acquiring additional labels through sparse annotation strategies or employing label cleaning and pseudo-labeling techniques to generate higher-quality training data, thereby facilitating more robust model evaluation.