MedNet-PVS: Deep-Learning-Modell segmentiert perivaskuläre Räume automatisch

Ein neues Deep‑Learning‑Modell namens MedNet‑PVS, basierend auf der MedNeXt‑Architektur, kann perivaskuläre Räume (PVS) in MRT‑Scans automatisch segmentieren. PVS sind wichtige Biomarker für zerebrale Gefäßerkrankungen, Alzheimer, Schlaganfall und altersbedingte neurodegenerative Prozesse.

Die Forscher haben zwei Varianten des Modells entwickelt. Die erste wurde mit 200 T2‑gewichteten MRT‑Scans aus dem Human Connectome Project‑Aging (HCP‑Aging) trainiert, während die zweite Variante mit 40 heterogenen T1‑gewichteten Volumen aus sieben Studien und sechs verschiedenen Scannern trainiert wurde.

Bei einer internen 5‑Fold‑Cross‑Validation erzielte das T2‑gewichtete Modell einen beeindruckenden Voxel‑level Dice‑Score von 0,88 ± 0,06 im weißen Matter – ein Wert, der der Inter‑Rater‑Reliabilität des Datensatzes entspricht und bislang der höchste in der Literatur ist. Das Modell für T1‑gewichtete Bilder erreichte einen niedrigeren Score von 0,58 ± 0,09.

In einer Leave‑One‑Site‑Out‑Cross‑Validation (LOSOCV) lag der Voxel‑level Dice‑Score bei 0,38 ± 0,16 im weißen Matter und 0,35 ± 0,12 im Hintergrund. Auf Cluster‑Ebene erzielte das Modell Scores von 0,61 ± 0,19 (weißes Matter) und 0,62 ± 0,21 (Hintergrund).

MedNet‑PVS bietet damit eine effiziente und hochpräzise Lösung für die automatische Segmentierung von PVS, die sowohl in der Forschung als auch in der klinischen Praxis von großem Nutzen sein kann.