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

Technische Samenvatting: Native Space vs. Template Space Pipelines voor Subcorticale Segmentatie

Probleemstelling
Nauwkeurige segmentatie van subcorticale kernen, specifiek de Subthalamische Nucleus (STN), de Red Nucleus (RN) en de Substantia Nigra (SN), is cruciaal voor neurochirurgische planning bij de ziekte van Parkinson (PD) en functioneel onderzoek. Hoewel hoogveld (7T) MRI superieure weefselcontrast biedt, steunt de klinische praktijk voornamelijk op lager-veld (3T) scans, waarbij deze structuren moeilijk te identificeren zijn vanwege beperkt contrast. Huidige geautomatiseerde segmentatie-instrumenten vertrouwen doorgaans op template space coregistratie (bijv. het transformeren van patiëntbeelden naar de MNI-standaardruimte) om gebruik te maken van populatiegemiddelde atlasgegevens. Deze aanpak introduceert echter een "heen-en-weer" registratieproces: het transformeren van de patiënt naar de template-ruimte voor segmentatie en vervolgens het inverse-transformeren van de resultaten terug naar de native space. De auteurs hypothetiseren dat deze normalisatie en inverse transformatie de patiëntspecifieke anatomische getrouwheid kan compromitteren, met name voor kleine, onregelmatige structuren zoals de STN, en dat native space benaderingen mogelijk een meetbaar voordeel bieden. Bovendien blijft de overdraagbaarheid van modellen getraind op hoogwaardige 7T-data naar klinische 3T-data een openstaande uitdaging, wat aanleiding geeft tot een onderzoek naar de vraag of synthetische 3T-data dit domeingap kan overbruggen.

Methodologie
De studie ontwikkelde en vergeleken twee deep learning-gebaseerde segmentatie-pipelines met behulp van het nnUNet framework (specifiek UNet met Residual Encoder presets), getraind op een gecureerde dataset van 7T en 3T T2-gewogen MRI-beelden uit vijf publieke bronnen (CBS, ATAG, Chu 2025, Paired, en OASIS).

1. Template Space Pipeline:

   • Alle subjectbeelden werden affien geregistreerd naar de MNI Nonlinear Asymmetric 2009 template.
   • Twee template-resoluties werden getest: 1 mm (MNI 152 NLIN 2009c) en 0,5 mm (MNI 152 NLIN 2009b).
   • Een Region of Interest (ROI) werd gedefinieerd in de MNI-ruimte, het model werd getraind op deze genormaliseerde beelden, en de output-segmentaties werden via een inverse transformatie teruggebracht naar de native space voor evaluatie.

2. Native Space Pipeline:

   • Werkte rechtstreeks op de native MRI-beelden van de patiënt.
   • Subject-specifieke ROI's werden geconstrueerd door de CIT168 atlas (probabilistische kaarten) naar de native space te warpen om bounding boxes rond de doelstructuren te definiëren.
   • Het model werd volledig binnen de native space getraind en geëvalueerd, waardoor inverse transformaties van de uiteindelijke segmentatie-labels werden vermeden.

3. Domeinadaptatie (Synthetische Data):

   • Om de prestatievermindering te adresseren wanneer 7T-getrainde modellen worden toegepast op 3T-data, genereerden de auteurs synthetische 3T-beelden uit 7T-trainingsdata met behulp van twee methoden:
     • Simple: Histogram standaardisatie via piecewise-lineaire matching.
     • Advanced: Een aangepast MURD (Multi-site Unsupervised Representation Disentangler) framework om anatomische inhoud te ontwarren van site-specifieke stijl (intensiteitsvariaties) en 3T-achtige beelden te genereren.
   • Modellen getraind op 7T-data werden getest met en zonder deze synthetische 3T-augmentaties om de kennisoverdraagbaarheid te evalueren.

Belangrijkste Bijdragen

• Comparatieve Evaluatie: Een directe, kwantitatieve vergelijking van native space versus template space segmentatie-pipelines voor subcorticale structuren, waarbij specifiek de impact van de inverse transformatie stap wordt geïsoleerd.
• Resolutie Analyse: Een onderzoek naar de vraag of het verhogen van de template-resolutie (0,5 mm vs. 1 mm) het nauwkeurigheidsverlies geassocieerd met template-gebaseerde workflows mitigeert.
• Domeingap Onderzoek: Een systematische evaluatie van de 7T-naar-3T model overdraagbaarheid en de effectiviteit van synthetische data-augmentatie (histogram matching vs. MURD) om het veldsterkte-gat te overbruggen zonder handmatige 3T-labels te vereisen.

Resultaten

• Native vs. Template (7T Data): Op de held-out 7T testdata presteerde de native space pipeline consistent beter dan de template-gebaseerde benaderingen.
  • Voor de STN bereikte de native methode een Dice-score van 0,775 ± 0,055 vergeleken met 0,713 ± 0,051 voor de 1 mm template en 0,650 ± 0,166 voor de 0,5 mm template.
  • De native methode vertoonde ook een superieure grensaccuratesse (lagere HD95) voor de STN en SN.
  • Contraintuïtieve Bevinding: Het verhogen van de template-resolutie van 1 mm naar 0,5 mm verslechterde de prestaties, wat suggereert dat de foutenbron het affiene transformatie/interpolatieproces zelf is, in plaats van een onvoldoende template-resolutie.
• 7T-naar-3T Overdraagbaarheid: Modellen die uitsluitend op 7T-data zijn getraind, leden onder een significante prestatievermindering bij toepassing op 3T-beelden (bijv. de STN Dice daalde van ~0,775 naar ~0,556 voor de native pipeline).
• Impact van Synthetische Data:
  • Het toevoegen van synthetische 3T-data (gegenereerd via MURD of histogram matching) leverde slechts bescheiden en inconsistente verbeteringen op voor 3T-segmentatieprestaties.
  • Hoewel MURD de Red Nucleus (RN) Dice en HD95 verbeterde in de template-pipeline, bood het beperkte winst voor de STN en SN.
  • Cruciaal was dat de toevoeging van synthetische data de prestaties op de 7T testdata niet significant verslechterde, wat aangeeft dat training met gemengde veldsterktes veilig is maar niet noodzakelijkerwijs transformatief voor 3T-generalisatie in deze context.

Significantie en Claims
Het paper concludeert dat native space segmentatie te prefereren is voor toepassingen die een hoge patiëntspecifieke anatomische getrouwheid vereisen, zoals chirurgische planning bij PD. De studie demonstreert dat de vereiste inverse affiene transformatie voor template-gebaseerde workflows een betekenisvolle bottleneck introduceert, met name voor kleine, variabele structuren zoals de STN, waar zelfs hoog-resolutie templates niet in staat zijn om registratiefouten te compenseren.

Wat betreft domeinadaptatie claimen de auteurs dat hoewel synthetische 3T-datageneratie een levensvatbare strategie is die de 7T-prestaties niet schaadt, het het 7T-naar-3T domeingap niet volledig overbrugt. De beperkingen van huidige stijltransfer-methoden (zoals MURD) bij het repliceren van de complexe contrast-ruisverhoudingen en weefselgrenzen tussen verschillende veldsterktes suggereren dat het overbruggen van dit gat een openstaande uitdaging blijft die toekomstig werk vereist op het gebied van domeinadaptatie die specifiek is afgestemd op subcorticale structuren. De bevindingen ondersteunen een verschuiving naar patiëntspecifieke segmentatie-pipelines om het verlies aan nauwkeurigheid te voorkomen dat inherent is aan ruimtelijke normalisatie.