Resumo: A segmentação do cerebelo e do núcleo denteado (do inglês, dentate nucleus, DN) em imagens de ressonância magnética (do inglês, magnetic resonance imaging, MRI) é desafiadora devido às suas estruturas complexas e à proximidade com as regiões cerebrais adjacentes. O córtex cerebelar apresenta dobras intrincadas, e o DN baixa relação contraste-ruído por ser uma pequena estrutura localizada internamente na substância branca do cerebelo. As ferramentas tradicionais apresentam desempenho satisfatório em imagens de indivíduos saudáveis, mas menor performance quando aplicadas em imagens provenientes de indivíduos com lesão cerebelar. A fim de aumentar a generalização e acurácia das segmentações automatizadas das estruturas cerebelares, propomos implementar um modelo de aprendizado profundo para segmentação do córtex cerebelar em imagens ponderadas em T1 (do inglês, T1-weighted, T1w) e do DN em imagens de mapeamento quantitativo de suscetibilidade magnética (do inglês, quantitative susceptibility mapping, QSM), tanto em indivíduos saudáveis quanto em pacientes que apresentam dano cerebelar. Para a segmentação do cerebelo, utilizamos sequências T1w, incluindo imagens de controles saudáveis e pacientes com ataxia espinocerebelar (do inglês, spinocerebellar ataxia, SCA) tipos 1 e 3 e ataxia de Friedreich (FRDA). Neurorradiologistas experientes criaram anotações das imagens (máscaras de segmentação), garantindo a identificação de qualidade das fissuras cerebelares. Treinamos uma arquitetura U-Net 3D modificada e o desempenho foi comparado com os resultados dos modelos ACAPULCO e CERES. Para a segmentação do DN, analisamos imagens QSM de 132 controles saudáveis e 170 pacientes com ataxia cerebelar ou esclerose múltipla de nove conjuntos de dados. A segmentação manual do DN (hilus da substância branca e cinzenta) por anotadores experientes forneceu as máscaras de referência, aliado a um processo robusto de controle de qualidade. Uma abordagem para segmentação automatizada de dois passos foi implementada com aprendizado profundo, composta por um modelo de localização seguido de segmentação do DN. Nosso modelo de segmentação do cerebelo atingiu uma métrica Dice de 0,928±0,030 no conjunto de teste e superou o ACAPULCO (Dice: 0,909±0,043) e o CERES (Dice: 0,918±0,039). Em pacientes com maior nível de dano cerebelar, essa diferença se manteve (Dice do modelo: 0,924±0,033, ACAPULCO: 0,904±0,047, CERES: 0,917±0,044). Diferenças volumétricas significativas foram encontradas entre o modelo proposto e o ACAPULCO e o CERES para controles, FRDA e pacientes com SCA3 (p<0,01). O protocolo de segmentação manual do DN produziu máscaras padrão-ouro com alta concordância intra-avaliador (ICC médio: 0,906) e inter-avaliador (ICC médio: 0,776). O pipeline de localização e segmentação em dois passos atingiu um Dice de 0,898±0,031 e 0,894±0,036 para o DN esquerdo e direito, respectivamente. Em validação externa, nosso algoritmo superou a principal ferramenta automatizada, MRICloud (Dice para DN esquerdo/direito: 0,863±0,038/0,843±0,066 vs. 0,568±0,222/0,582±0,239). O modelo demonstrou excelente capacidade de generalização em conjuntos de dados não vistos em treinamento e correlação significativa com anotações manuais. Os resultados iniciais mostraram precisão e confiabilidade promissoras na segmentação do cerebelo em imagens T1w. Continuamos nossos esforços para obter mais segmentações cerebelares de qualidade em conjuntos diversificados de imagens para retomar o treinamento do modelo. Além disso, fornecemos um modelo que segmenta com precisão o DN de imagens cerebrais QSM, que pode ser prontamente implementado. Essas ferramentas podem melhorar a busca por biomarcadores e a avaliação de terapias para doenças neurodegenerativas, fornecendo metodologias robustas para estudos observacionais e de história natural Ver menos

Abstract: The segmentation of the cerebellum and dentate nucleus (DN) in magnetic resonance imaging (MRI) presents unique challenges due to their complex structures and proximity to surrounding brain regions. The cerebellar cortex is intricately folded, and the DN has a low contrast-to-noise ratio as a consequence of being a small structure buried deep within the surrounding white matter. Traditional tools perform well on healthy controls but show lower performance when applied to images from individuals with cerebellar lesions. To improve the generalization and accuracy of automated segmentations of cerebellar structures, we propose implementing a deep learning model for the cerebellar cortex segmentation in T1-weighted (T1w) images and the DN in quantitative susceptibility mapping (QSM) images, for both healthy individuals and patients with cerebellar damage. For cerebellum segmentation, we used T1w sequences, including images from healthy controls and patients with spinocerebellar ataxia (SCA) 1 and 3 and Friedreich’s ataxia (FRDA). Expert neuroradiologists manually annotated segmentation masks, ensuring quality identification of cerebellar fissures. We trained a modified 3D U-Net architecture and performance was compared with ACAPULCO and CERES model results. For DN segmentation, we analyzed QSM images from 132 healthy controls and 170 patients with cerebellar ataxia or multiple sclerosis across nine datasets worldwide. Manual delineation of the DN (gray matter and white matter hilus) by experienced raters provided the ground truth data with a robust quality control process. A two-step approach for automated segmentation was implemented, composed of a localization model followed by DN segmentation. Our cerebellum segmentation model achieved a Dice score of 0.928±0.030 on the test set and outperformed ACAPULCO (Dice: 0.909±0.043) and CERES (Dice: 0.918±0.039). This difference is sustained in patients with the highest level of cerebellar damage (our model Dice: 0.924±0.033, ACAPULCO Dice: 0.904±0.047, CERES Dice: 0.917±0.044). Significant volumetric differences were found between our model and ACAPULCO and CERES for controls, FRDA, and SCA3 patients (p<0.01). The DN manual tracing protocol produced ground truth data with high intra-rater (average ICC 0.906) and inter-rater reliability (average ICC 0.776). The two-step localization plus segmentation pipeline achieved a Dice score of 0.898±0.031 and 0.894±0.036 for left and right DN, respectively. In external validation, our algorithm outperformed the leading automated tool, MRICloud (left/right DN Dice: 0.863±0.038/0.843±0.066 vs. 0.568±0.222/0.582±0.239, respectively). The model demonstrated superior generalizability across unseen datasets and showed significant correlation with manual annotations. Initial results showed promising accuracy and reliability in cerebellum segmentation in T1w images. We continue our effort to gather more expert cerebellar segmentations on a diverse dataset to resume the model training. Also, we provide a model that accurately segments the DN from brain QSM images and can be readily deployed. These tools can enhance biomarker discovery and therapeutic assessment in neurodegenerative disorders, providing robust methodologies for observational and natural history studies Ver menos