ICOBRAIN MS 51：多発性硬化症病変の検出を改善するための監視されていない監視されたアプローチの組み合わせ

多発性硬化症（MS）は、中枢神経系の慢性自己免疫性、炎症性神経疾患です。最近の診断には、MSの最も敏感なイメージングテストであるため、MRIスキャンの実行が一般的に含まれています。MSプラークは、液体が触れた反転回復（FLAIR）画像から、形状、サイズ、場所の点で非常に異なる高速領域として一般的に識別され、マクドナルド基準に従って日常的に分類されています。近年、MSプラークの検出、セグメンテーション、分類のためのさまざまな半自動および自動方法の開発を目的とした作品が増加しています。このホワイトペーパーでは、2つのパイプラインに基づいた自動結合方法を紹介します。従来の監視されていない機械学習技術と、深い学習注意ゲート3D U-NETネットワークです。ディープラーニングネットワークは、従来のアプローチの弱いポイント、つまり、実際の臨床MRIの末端および並置型プラークをセグメント化することの難しさに対処するために特に訓練されています。それは、それぞれ159のケースを含むマルチセンターマルチスキャナーデータセットで訓練および検証されました。それぞれがT1加重（T1W）とフレア画像を備えたもの、およびMSプラークの手動描写は、評価者のパネルによってセグメント化および検証されました。検出率は、病変ごとのDICEスコアを使用して定量化されました。2つのパイプラインの出力セグメンテーションを組み合わせるために、単純なラベル融合が実装されています。この組み合わせた方法は、パフォーマンス評価ベースラインとして使用された監視されていない機械学習パイプラインと比較して、それぞれ14％と31％順分裂および並置病変の検出を改善します。

Multiple sclerosis (MS) is a chronic autoimmune, inflammatory neurological disease of the central nervous system. Its diagnosis nowadays commonly includes performing an MRI scan, as it is the most sensitive imaging test for MS. MS plaques are commonly identified from fluid-attenuated inversion recovery (FLAIR) images as hyperintense regions that are highly varying in terms of their shapes, sizes and locations, and are routinely classified in accordance to the McDonald criteria. Recent years have seen an increase in works that aimed at development of various semi-automatic and automatic methods for detection, segmentation and classification of MS plaques. In this paper, we present an automatic combined method, based on two pipelines: a traditional unsupervised machine learning technique and a deep-learning attention-gate 3D U-net network. The deep-learning network is specifically trained to address the weaker points of the traditional approach, namely difficulties in segmenting infratentorial and juxtacortical plaques in real-world clinical MRIs. It was trained and validated on a multi-center multi-scanner dataset that contains 159 cases, each with T1 weighted (T1w) and FLAIR images, as well as manual delineations of the MS plaques, segmented and validated by a panel of raters. The detection rate was quantified using lesion-wise Dice score. A simple label fusion is implemented to combine the output segmentations of the two pipelines. This combined method improves the detection of infratentorial and juxtacortical lesions by 14% and 31% respectively, in comparison to the unsupervised machine learning pipeline that was used as a performance assessment baseline.