Accurately studying structural connectivity requires precise tract segmentation strategies. The U-Net network has been widely recognized for its exceptional capacity in image segmentation tasks. It has demonstrated remarkable results in segmenting large tracts using high-quality diffusion-weighted imaging (DWI) data. However, short tracts, which are associated with various neurological diseases, pose specific challenges, particularly when considering the DWI data acquisition within clinical settings. The objective of this work was to evaluate the capability of the U-Net network in segmenting short tracts using DWI data acquired in different experimental conditions. To accomplish this, we conducted three different types of training experiments with a total of 350 healthy subjects and 11 white matter tracts, including anterior, posterior, and hippocampal commissure, fornix, and uncinated fasciculus. In the first experiment, the model was exclusively trained using high-quality data from the Human Connectome Project (HCP) dataset. The second experiment focused on images of healthy subjects acquired from a local hospital dataset, representing a typical clinical routine acquisition. In the third experiment, a hybrid training approach was employed, combining images from the HCP and local hospital datasets. Finally, the best model was also tested in unseen DWIs of 10 epilepsy patients of the local hospital and 10 subjects acquired on a scanner from another company. The outcomes of the third experiment demonstrated a notable enhancement in performance when contrasted with the preceding trials. Specifically, the short tracts within the local hospital dataset achieved dice scores ranging between 0.60 and 0.75. Similar intervals were obtained with HCP data in the first experiment and a substantial improvement compared to the scores of 0.37 and 0.50 obtained with the local hospital dataset at the same experiment. This improvement persisted when the method was applied to diverse scenarios, including different scanner acquisitions and epilepsy patients. This outcome strongly indicates that the fusion of datasets from various sources, coupled with resolution standardization, significantly fortifies the neural network's capacity to generalize predictions across a spectrum of datasets. It's crucial, however, to recognize that the performance of short tract segmentation is intricately linked to the composition of the training, validation, and testing data. Moreover, the segmentation of shorter and intricately curved tracts introduces added complexities due to their intricate structural nature. Although this approach has shown promising results, caution is essential when extrapolating its application to datasets acquired under distinct experimental conditions, even when dealing with higher-quality data or analyzing long or short tracts.

Estudos em conectividade estrutural cerebral requerem estratégias de segmentação de tratos precisas. A rede neural U-Net é altamente reconhecida pela sua capacidade em tarefas de segmentação de imagens, em especial no delineamento de tratos de longa extensão utilizando dados de alta qualidade de Imagens Ponderadas em Difusão (DWI). Contudo, tratos de curta extensão, associados a diversas doenças neurológicas, colocam desafios específicos à essas redes, especialmente com aquisições de dados em ambientes clínicos. O objetivo deste trabalho foi avaliar a capacidade da rede U-Net na segmentação de tratos de curta extensão utilizando dados de DWI adquiridos em diferentes condições experimentais. Para isso, foram conduzidos três treinamentos diferentes com um total de 350 indivíduos saudáveis e 11 tratos da substância branca, incluindo comissura anterior, posterior e hipocampal, fórnix e fascículo uncinado. No primeiro experimento, o modelo foi treinado exclusivamente com dados de alta-qualidade do Projeto de Conectoma Humano (HCP). O segundo experimento foi focado em imagens de indivíduos saudáveis adquiridos em um hospital local, representando uma típica aquisição de rotina clínica. No último experimento, uma abordagem híbrida foi empregada, combinando imagens de ambos os conjuntos de dados. Por fim, o melhor modelo foi testado em 10 pacientes com epilepsia do hospital local e em 10 indivíduos saudáveis adquiridos em um scanner de uma empresa diferente. Os resultados do terceiro experimento mostraram notável aumento na performance do modelo em comparação com os outros experimentos. Especificamente, os tratos curtos do conjunto de dados do hospital local alcançaram pontuações Dice entre 0.60 e 0.75. Intervalos similares foram obtidos para os dados do HCP no primeiro experimento, e um aumento substancial para os dados do hospital local que nesse experimento apresentaram pontuações entre 0.37 e 0.50. Esse progresso se manteve mesmo aplicando o método em dados de pacientes com epilepsia e em scanners com diferentes aquisições. Esses resultados indicam que utilizar conjuntos de dados de diferentes fontes, junto com uma padronização das imagens, aumenta significativamente a capacidade de generalização da rede neural. É importante, contudo, reconhecer que essa performance está intrinsicamente ligada à composição dos conjuntos de dados de treinamento, validação e teste. Além de que, tratos pequenos e com maior nível de curvatura adicionam maior complexidade devido sua estrutura particular. Apesar dos resultados promissores, é necessário ter precaução ao extrapolar essa aplicação a dados adquiridos em circunstâncias distintas, seja em dados de maior qualidade ou analisando tratos de curta ou longa extensão.