Deep-learning tool to identify and segment contrast-enhanced lesions in multiple sclerosis patients

Multiple sclerosis patients developed white matter lesions and active inflammatory lesions (contrast-enhanced lesions) that are shown in MRI images thanks to the injection of gadolinium contrast agent. The detection and segmentation of contrast- enhanced lesions (CELs) are fundamental to the diagnosis and monitoring of patients with multiple sclerosis. CELs show small size, are low in number per scan and have heterogeneous shapes. For this reason, the manual segmentation of those lesions is a time consuming-technique and suffers from high inter- and intra-rater variability. As a consequence, an automatic tool would be helpful in clinical practice. This research develops a convolutional neural network to automatically identify and segment contrast-enhanced lesions (CELs). We studied 345 scans from 286 patients and each was composed of 3 types of magnetic resonance images (MRI): T1-weighted, T1-weighted with gadolinium contrast agent and FLuid Attenuated Inversion Recovery (FLAIR) images. White matter lesion masks were obtained with automatic segmentation and manual correction. CELs were manually segmented by experienced neurologists and are utilized as ground truth. The dataset also included 158 control scans from 129 patients, where no CELs were detected. To account for the characteristics of the CEL, a convolutional neural network was considered, which had been shown to segment small cortical lesions. The scarcity of the CEL was addressed by sampling on WMLs and a new loss function aware of the class imbalance. The issue with the heterogeneous shapes was partially tackled by the loss function (and data augmentation). Moreover, an ablation study was performed to choose the best number of layers and filter dimensions of the network. The network obtained a Dice Score coefficient of 0.7394, a true positive rate of 0.936 and a false positive rate of 0.0085 in the test dataset. Obtained results were comparable to those obtained in a few previous studies performed in larger samples. Future works will aim to increase the performance and reduce the false positive rate by incorporating a larger dataset. Furthermore, an increase in accuracy segmentation in small lesions (11-20 voxels) and the removal of WML masks as input dataset will be performed.

Pazienti affetti da sclerosi multipla presentano lesioni alla materia bianca (WML) e lesioni infiammatorie attive (lesioni con mezzo di contrasto) le quali vengono mostrate nelle immagini di risonanza magnetica (RM) grazie al mezzo di contrasto gadolinio. L’identificazione e la segmentazione di lesioni con mezzo di contrasto (CELs) è fondamentale per la diagnosi e il monitoraggio di pazienti con sclerosi multipla. Le CELs sono caratterizzate da piccole dimensioni, un basso numero per ogni scan e hanno forme eterogenee. La segmentazione manuale soffre di un’alta variabilità inter e intra-operatore; per questa ragione, è necessaria l’introduzione nella pratica clinica di un tool che esegue la segmentazione automatica. Questo studio sviluppa un convolutional neural network per identificare e segmentare CELs in maniera automatica. Abbiamo studiato 345 scans appartenenti a 286 pazienti, ognuno contenente 3 immagini di RM : pesate in T1, pesate in T1 con mezzo di contrasto e Fluid Attenuated Inversion Recovery (FLAIR). Le maschere di WML sono state ottenute con segmentazione automatica e poi corrette manualmente. Le maschere di CELs sono state segmentate manualmente da neurologi esperti e sono utilizzate come ground truth. Il dataset è composto da 158 scans appartenenti a 129 pazienti i quali non presentano CEL. Tenendo in considerazione le caratteristiche delle lesioni con mezzo di contrasto, è stato utilizzato un convolutional neural network, il quale è stato sviluppato per segmentare piccole lesioni corticali. La scarsità di CELs è stata affrontata campionando le lesioni in corrispondenza delle WML, una nuova loss function tiene in considerazione lo sbilanciamento tra le due classi. Il problema dell’eterogeneità delle forme viene affrontato dalla loss function ( e dalla data augmentation). Il network ottiene un valore di Dice Score di 0.7394, un tasso di veri positivi di 0.936 e un tasso di falsi positivi di 0.0085 nel dataset di test. Inoltre, viene eseguito un ablation study per scegliere il miglior numero di layer e le dimensioni dei filtri del modello. I risultati ottenuti vengono paragonati con quelli ottenuti da alcuni studi precedenti, effettuati con un numero maggiore di campioni. Gli studi futuri avranno lo scopo di aumentare la performance e ridurre il tasso di falsi positivi utilizzando un dataset maggiore. Inoltre, si aumenterà l’accuratezza nelle lesioni piccole (11-20 voxels) e si rimuoveranno le mashere WML come dato di input.