Native space based pipelines outperform template space based pipeline in subcortical segmentation

Sintesi Tecnica: Pipeline in Spazio Nativo vs. Spazio di Template per la Segmentazione Subcorticale

Problema
La segmentazione accurata dei nuclei subcorticali, specificamente il Nucleo Subtalamico (STN), il Nucleo Rosso (RN) e la Sostanza Nigra (SN), è critica per la pianificazione neurochirurgica nella Malattia di Parkinson (PD) e per la ricerca funzionale. Sebbene l'MRI ad alto campo (7T) offra un contrasto tissutale superiore, la pratica clinica si affida prevalentemente a scansioni a basso campo (3T), dove queste strutture sono difficili da identificare a causa del contrasto limitato. Gli attuali strumenti di segmentazione automatizzata si basano tipicamente sulla coregistrazione in spazio di template (ad esempio, deformando le immagini del paziente nello spazio standard MNI) per sfruttare atlanti mediati sulla popolazione. Tuttavia, questo approccio introduce un processo di registrazione "avanti e indietro": trasformare il paziente nello spazio di template per la segmentazione e poi eseguire la trasformazione inversa dei risultati nello spazio nativo. Gli autori ipotizzano che questa normalizzazione e la successiva trasformazione inversa possano compromettere la fedeltà anatomica specifica del paziente, in particolare per strutture piccole e irregolari come l'STN, e che gli approcci in spazio nativo possano offrire un vantaggio misurabile. Inoltre, la trasferibilità dei modelli addestrati su dati 7T di alta qualità a dati clinici 3T rimane una sfida aperta, il che spinge verso un'indagine su come i dati 3T sintetici possano colmare questo divario di dominio.

Metodologia
Lo studio ha sviluppato e confrontato due pipeline di segmentazione basate sul deep learning utilizzando il framework nnUNet (specificamente UNet con preset di Encoder Residuo) addestrate su un dataset curato di immagini MRI pesate in T2 da 7T e 3T provenienti da cinque fonti pubbliche (CBS, ATAG, Chu 2025, Paired e OASIS).

1. Pipeline in Spazio di Template:

   • Tutte le immagini dei soggetti sono state registrate tramite trasformazione affine al template MNI Nonlinear Asymmetric 2009.
   • Sono state testate due risoluzioni di template: 1 mm (MNI 152 NLIN 2009c) e 0,5 mm (MNI 152 NLIN 2009b).
   • È stata definita una Regione di Interesse (ROI) nello spazio MNI, il modello è stato addestrato su queste immagini normalizzate e l'output delle segmentazioni è stato trasformato inversamente nello spazio nativo per la valutazione.

2. Pipeline in Spazio Nativo:

   • Ha operato direttamente sulle immagini MRI native del paziente.
   • Le ROI specifiche per il soggetto sono state costruite deformando l'atlante CIT168 (mappe probabilistiche) nello spazio nativo per definire i bounding box attorno alle strutture target.
   • Il modello è stato addestrato e valutato interamente nello spazio nativo, evitando trasformazioni inverse delle etichette di segmentazione finali.

3. Adattamento del Dominio (Dati Sintetici):

   • Per affrontare il calo di prestazioni nell'applicare modelli addestrati su dati 7T a dati 3T, gli autori hanno generato immagini 3T sintetiche dai dati di addestramento 7T utilizzando due metodi:
     • Semplice: Standardizzazione dell'istogramma tramite matching piecewise-lineare.
     • Avanzato: Un framework MURD (Multi-site Unsupervised Representation Disentangler) modificato per disaccoppiare il contenuto anatomico dallo stile specifico del sito (variazioni di intensità) e generare immagini simili a quelle 3T.
   • I modelli addestrati su dati 7T sono stati testati con e senza queste aumentazioni di dati 3T sintetici per valutare la trasferibilità della conoscenza.

Contributi Chiave

• Valutazione Comparativa: Un confronto diretto e quantitativo tra le pipeline di segmentazione in spazio nativo rispetto allo spazio di template per le strutture subcorticali, isolando specificamente l'impatto del passaggio di trasformazione inversa.
• Analisi della Risoluzione: Un'indagine su se l'aumento della risoluzione del template (0,5 mm vs 1 mm) mitighi la perdita di accuratezza associata ai workflow basati su template.
• Indagine sul Divario di Dominio: Una valutazione sistematica della trasferibilità del modello 7T-to-3T e dell'efficacia dell'aumento dei dati sintetici (matching dell'istogramma vs MURD) nel colmare il divario di intensità di campo senza richiedere etichette 3T manuali.

Risultati

• Nativo vs. Template (Dati 7T): Sui dati di test 7T tenuti fuori dal training (held-out), la pipeline in spazio nativo ha costantemente superato gli approcci basati su template.
  • Per l'STN, il metodo nativo ha raggiunto un punteggio Dice di 0,775 ± 0,055 rispetto a 0,713 ± 0,051 per il template da 1 mm e 0,650 ± 0,166 per il template da 0,5 mm.
  • Il metodo nativo ha mostrato anche una precisione dei bordi superiore (HD95 più basso) per l'STN e la SN.
  • Risultato Controintuitivo: L'aumento della risoluzione del template da 1 mm a 0,5 mm ha degradato le prestazioni, suggerendo che la fonte dell'errore sia il processo di trasformazione affine/interpolazione stesso piuttosto che l'insufficienza della risoluzione del template.
• Trasferibilità 7T-to-3T: I modelli addestrati esclusivamente su dati 7T hanno subito un calo significativo di prestazioni quando applicati a immagini 3T (ad esempio, il Dice dell'STN è sceso da ~0,775 a ~0,556 per la pipeline nativa).
• Impatto dei Dati Sintetici:
  • L'aggiunta di dati 3T sintetici (generati tramite MURD o matching dell'istogramma) ha prodotto miglioramenti solo modesti e inconsistenti per la segmentazione 3T.
  • Sebbene MURD abbia migliorato il Dice e l'HD95 del Nucleo Rosso (RN) nella pipeline di template, ha offerto guadagni limitati per l'STN e la SN.
  • Crucialmente, l'aggiunta di dati sintetici non ha degradato significativamente le prestazioni sui dati di test 7T, indicando che l'addestramento a campo misto è sicuro ma non necessariamente trasformativo per la generalizzazione 3T in questo contesto.

Significatività e Rivendicazioni
L'articolo conclude che la segmentazione in spazio nativo è preferibile per applicazioni che richiedono un'elevata fedeltà anatomica specifica del paziente, come la pianificazione chirurgica nella PD. Lo studio dimostra che la trasformazione affine inversa richiesta dai workflow basati su template introduce un collo di bottiglia significativo, in particolare per strutture piccole e variabili come l'STN, dove anche i template ad alta risoluzione non riescono a compensare gli errori di registrazione.

Per quanto riguarda l'adattamento del dominio, gli autori affermano che, sebbene la generazione di dati 3T sintetici sia una strategia valida che non danneggia le prestazioni 7T, essa non colma completamente il divario di dominio 7T-to-3T. I limiti degli attuali metodi di trasferimento dello stile (come MURD) nel replicare i complessi rapporti contrasto-rumore e le differenze di visibilità dei bordi tissutali tra le diverse intensità di campo suggeriscono che colmare questo divario rimanga una sfida aperta che richiede futuri lavori sull'adattamento del dominio specificamente mirati alle strutture subcorticali. I risultati supportano uno spostamento verso pipeline di segmentazione specifiche per il paziente per evitare la perdita di accuratezza inerente alla normalizzazione spaziale.