Automated Segmentation of the Spinal Cord on Magnetic Resonance Echo Planar Images

L’imagerie par résonance magnétique fonctionnelle (IRMf) de la moelle épinière (ME) offre des perspectives uniques sur le traitement sensoriel, moteur et autonome, présentant un potentiel significatif pour le suivi de la progression des maladies et de l’efficacité des traitements dans les affections neurologiques. Cependant, les progrès de l’IRMf de la ME ont pris du retard par rapport à l’imagerie cérébrale, entravés par des défis techniques tels que les artéfacts de mouvement, le bruit physiologique, les distorsions induites par la susceptibilité inhérentes à l’imagerie écho-planaire (EPI), et le manque d’outils de traitement standardisés. Une étape critique pour permettre une analyse de groupe reproductible est la normalisation spatiale précise des données d’IRMf de la ME individuelles à un espace de gabarit commun, qui repose fondamentalement sur une segmentation précise de la ME. Les méthodes de segmentation automatisée actuelles échouent souvent sur les données EPI de faible résolution et sujettes aux artéfacts typiquement utilisées pour l’IRMf, obligeant à recourir à la segmentation manuelle, qui est longue, laborieuse et subjective, ce qui introduit des biais et limite le passage à l’échelle. Cette thèse présente EPISeg, une nouvelle méthode basée sur l’apprentissage profond spécifiquement développée pour la segmentation automatisée de la ME directement sur les images EPI à écho de gradient. Pour entraîner et valider rigoureusement EPISeg, nous avons constitué et rendu public un jeu de données EPI de la ME multi-sites à grande échelle (N=406 participants, 15 sites) avec des segmentations de référence vérifiées par des experts, organisé selon le standard BIDS (Brain Imaging Data Structure) et partagé via OpenNeuro. EPISeg, basé sur une architecture U-Net 3D, a été entraîné sur ce jeu de données diversifié en utilisant une stratégie itérative d’apprentissage actif avec humain dans la boucle (HIL-AL). Cette approche a optimisé l’utilisation des ressources limitées d’annotation par des experts tout en améliorant la robustesse du modèle face aux artéfacts d’imagerie courants et aux variations entre les différents protocoles d’acquisition. Les évaluations démontrent qu’EPISeg surpasse les méthodes de segmentation de la ME de pointe existantes telles que PropSeg, DeepSeg et les méthodes de segmentation agnostique au contraste sur des données de test non utilisées pour l’entraînement, démontrant une grande précision (score de Dice = 0.88 ± 0.05) et une fidélité géométrique (distance de Hausdorff = 1.41 ± 0.86) sur des jeux de données diversifiés, incluant des volontaires sains et des populations de patients. En fournissant une solution fiable, automatisée et accessible au public, intégrée dans la Spinal Cord Toolbox (SCT), EPISeg lève un verrou majeur dans l’analyse de l’IRMf de la ME. Ce travail facilite une recherche plus reproductible, efficace et réalisable à plus grande échelle, faisant ainsi progresser notre capacité à étudier la fonction de la ME humaine chez le sujet sain et en pathologie.

Abstract

Functional magnetic resonance imaging (fMRI) of the spinal cord (SC) offers unique insights into sensory, motor, and autonomic processing, holding significant potential for monitoring disease progression and treatment efficacy in neurological conditions. However, the advancement of SC fMRI has lagged behind brain imaging, hampered by technical challenges including motion artifacts, physiological noise, susceptibility-induced distortions inherent in echo-planar imaging (EPI), and a lack of standardized processing tools. A critical step for enabling reproducible group-level analysis is the accurate spatial normalization of individual SC fMRI data to a common template space, which fundamentally relies on precise SC segmentation. Current automated segmentation methods often fail on the low-resolution, artifact-prone EPI data typically used for fMRI, forcing reliance on time-consuming, laborintensive, and subjective manual segmentation, which introduces bias and limits scalability. This thesis introduces EPISeg, a novel deep learning-based method specifically developed for the automated segmentation of the SC directly on gradient-echo EPI images. To train and rigorously validate EPISeg, we curated and publicly released a large-scale, multi-center SC EPI dataset (N=406 participants, 15 sites) with expert-verified ground-truth segmentations, organized according to the Brain Imaging Data Structure (BIDS) standard and shared via OpenNeuro. EPISeg, leveraging a 3D U-Net architecture, was trained on this diverse dataset using an iterative human-in-the-loop active learning (HIL-AL) strategy. This approach optimized the use of limited expert annotation resources while enhancing model robustness against common imaging artifacts and variations across different acquisition protocols. Evaluations demonstrate that EPISeg outperforms existing state-of-the-art SC segmentation tools like PropSeg, DeepSeg and Contrast-agnostic segmentation methods on held-out test data, exhibiting high accuracy (Dice score=0.88 ± 0.05) and geometric fidelity (Hausdorff distance=1.41 ± 0.86) across diverse datasets, including healthy volunteers and patient populations. By providing a reliable, automated, and publicly accessible solution which is integrated into the Spinal Cord Toolbox (SCT), EPISeg addresses a major bottleneck in SC fMRI analysis. This work facilitates more reproducible, efficient, and scalable research, ultimately advancing our ability to investigate human spinal cord function in health and disease.