迈向可靠的小脑形态测量：分割流程的比较评估

《The Cerebellum》：Towards Reliable Measurement of Cerebellar Morphology: A Comparative Assessment of Segmentation Pipelines

　　

摘要

特征化小脑的形态对于准确描绘其结构和功能在个体间的差异至关重要，但由于其高度分叶的解剖结构，这一任务仍然具有挑战性。尽管存在多种自动化分割算法，但这些工具的测量客观性尚未进行全面评估。我们使用四种常用的分割方法对小脑形态估计的可靠性进行了系统评估：一种经典的解剖分割方法（CERES），两种深度学习方法（ACAPULCO、DeepCERES），以及一个基于体素的形态测量工具箱（SUIT）。利用HNU数据集（该数据集为每个个体在一个月内提供了十个时间点的MRI扫描），我们使用ReX这一集成工具来评估这四种方法的重复测试可靠性，ReX用于量化和优化测量可靠性及个体差异。我们量化了每种方法在整体层面和感兴趣区域层面的个体内和个体间变异性，以及类内相关系数（ICC）。我们使用了两组数据：一组包含12名受试者的5次会话的共有数据集来对所有方法进行基准测试；另一组是针对每种方法的特定数据集，包含每个方法有5次有效会话的受试者群体，以评估我们的研究结果的普适性。总体而言，所有方法生成的分割体积都具有很高的可靠性（ICC > 0.87）。DeepCERES在所有指标和受试者群体中的表现最为一致，而SUIT在共有数据集上的ICC最高，但在更大的受试者群体中可靠性有所下降。重要的是，我们的分析显示，每种方法在不同小脑叶间的可靠性存在显著差异。X小叶的可靠性始终较低，而I-V、VI、Crus I、IX和VIIIB小叶在所有方法中都能被可靠地估计出来。虽然所有方法都显示出较强的可靠性，但DeepCERES的整体性能最为稳健和一致。不同小脑叶的显著变异性以及方法依赖的失败率表明，在研究中选择可靠的分割算法对于优化小脑形态估计至关重要。