多様な臨床MRIにおける白質高信号病変のセグメンテーション手法のベンチマーク失敗：新しいデータセットと深層学習ベースのソリューション

科学分野:

• 医用画像処理
• 医療における人工知能
• 神経画像処理

背景:

• 自動白質高信号病変（WMH）セグメンテーション手法は、異種臨床MRIデータにおける一般化に苦労しています。; スキャナー、フィールド強度、およびプロトコルのばらつきは、セグメンテーションの精度に大きく影響します。

研究 の 目的:

• 多様な臨床データセットを使用したWMHセグメンテーションのための堅牢な深層学習モデルの開発と評価。; WMHセグメンテーションのための標準的なnnU-Netモデルとファインチューニングされた基盤モデル（MedSAM）のパフォーマンスの比較。

主な方法:

• 71台のスキャナーからの195件のルーチン脳MRIスキャンからなる多様なデータセットをキュレーションし、WMHの手動アノテーションを行いました。; 2つのモデルを開発しました：堅牢なWMH-UNet（トレーニング済みnnU-Net）と堅牢なWMH-SAM（ファインチューニング済みMedSAM）。; ダイス類似係数（DSC）などの指標を使用して、既存のセグメンテーション手法に対するパフォーマンスをベンチマークしました。

主要な成果:

• ベンチマーク手法は一般化が悪く、小さな病変を見逃し、偽陽性を生成しました。; 堅牢なWMH-UNetは、特異性の向上とともに、0.768の優れた中央DSCを達成しました。; 堅牢なWMH-SAMは、迅速なトレーニングで競争力のあるパフォーマンス（中央DSC最大0.750）を示しました。

結論:

• 開発された臨床的に代表的なデータセットは、堅牢なWMHセグメンテーションアルゴリズムの進歩に不可欠です。; 堅牢なWMH-UNetと堅牢なWMH-SAMの両方が、臨床実践における信頼性の高いWMHセグメンテーションに有望です。; これらの発見は、高度なセグメンテーションモデルの日常的な臨床ワークフローへの移行をサポートします。