Proposal and Evaluation of Methods for the Segmentation of the Brainstem and of Regions Related to Parkinson Disease's Staging, based on U-Nets applied to Magnetic Resonance Images

Abstract

Estudos recentes sobre neuroimagem identificaram biomarcadores em imagens de Ressonância Magnética (RM) que podem servir como critérios de suporte para o diagnóstico e estadiamento da Doença de Parkinson (DP). Entre eles, o sinal de Neuromelanina (NM) na região de Substância Negra (SN) e do Locus Coeruleus (LC) mostrou-se particularmente relevante para este propósito. No entanto, análises modernas dessas regiões do tronco encefálico tipicamente baseiam-se em segmentações manuais e avaliações criteriosas feitas por neurologistas e neurorradiologistas, processo complexo e demorado. Paralelamente, a análise computacional de imagens e Inteligˆencia Artificial (AI) também têm tido consideráveis avanços, especialmente no ramo de imageamento médico, onde modelos de U-Net têm alcançado desempenho estado da arte em segmentação de imagens. Ainda assim, poucos estudos têm aplicado tais modelos para segmentação de estruturas do tronco encefálico considerando diferentes planos anatômicos, possivelmente devido à escassez de bases de dados extensas anotadas por especialistas. Neste trabalho, utilizamos uma base de dados de imagens de RM ponderadas em T1, criada pelo nosso grupo de pesquisa, para treinar modelos U-Net para segmentação automática de tronco encefálico. Essa tarefa é uma etapa crucial para a detecção automática do sinal de NM na SN e no LC. Nosso método proposto parte da geração de máscaras de referência utilizando o programa Freesurfer seguido de curadoria feita por neurologistas e neurorradiologistas. Em seguida, treinamos 4 diferentes modelos e avaliamos os seus desempenhos com base no Coeficiente de Similaridade de Dice (DSC) e na Intersecção sobre União (IoU). 3 modelos foram treinados unicamente com um tipo de corte anatˆomico, enquanto o outro com todos os 3 tipos de cortes, o axial, o coronal e o sagital. Para seleção de hiperparâmetros, usamos uma busca por grade para escolher otimizadores, taxas de aprendizado e número de filtros na primeira camada do modelo. Além disso, fizemos uma análise preliminar em um modelo cujo treinamento foi feito com cortes axiais e ajuste fino com imagens de RM sensíveis a NM, que apresentaram resultados promissores na tarefa de segmentar o tronco encefálico em exames feitos no espaço de NM. O modelo com melhor desempenho, treinado com a base de dados maior de cortes coronais, alcançou DSC de 95,34% e um IoU de 93,03%. Em seguida, veio o modelo treinado com cortes axiais (DSC: 93,88%, IoU: 89,17%) seguido do genérico (DSC: 92,42%, IoU: 87,49%). Em contrapartida, o modelo treinado em cortes sagitais obteve um desempenho inferior quando comparado aos demais (DSC: 87,73%, IoU: 81,87%). Esses resultados sugerem que a seleção de cortes não afetou de maneira crítica o desempenho dos modelos. Ainda assim, os modelos baseados em cortes coronais forneceram as segmentações mais confiáveis, nas condições testadas. Considerando o estudo de caso do modelo baseado em cortes axiais com ajuste fino de imagens em espaço de NM, ele atingiu 84,75% de DSC e 76,26% de IoU. Como trabalho futuro, almejamos estudar mais profundamente o processo de ajuste fino realizado no modelo aplicado a imagens de NM para que este faça a segmentação da região do mesencéfalo e, posteriormente, a quantificação do sinal da área hipertensa de NM da SN. Com isso, será possível aplicar um modelo classificador, inicialmente binário, que fará a predição entre DP ou grupo controle. Em seguida, aspiramos escalar esse modelo para um modelo de classificação multiclasses considerando os estágios de DP conforme escala. Por fim, planejamos avaliar diferentes estratégias de limiarização e analisar separadamente os 2 hemisférios do cérebro, com o objetivo final de viabilizar ferramentas de detecção automática de biomarcador relacionado à DP.