[論文レビュー] A Generalized Network for MRI Intensity Normalization

Attila Simkó, Tommy Löfstedt+3 more|arXiv (Cornell University)|Sep 12, 2019

Medical Image Segmentation Techniques参考文献 7被引用数 7

ひとこと要約

この論文では、非医療用 ImageNet 画像を用いてトレーニングされた深層学習ベースの MRI 強度正規化手法 GetNet を提案する。この手法は、スキャナーや身体領域を問わず一般化可能であり、合成のゲインフィールドを推定・除去する二重ブランチ型残差ネットワークを活用することで、N4ITK よりも高い精度を達成するとともに、70倍の高速化を実現した。本手法は、実際の医療画像をトレーニングに使用せず、合成 MRI データ上で強靭な性能を示している。

ABSTRACT

Image normalization, the correction for intra-volume inhomogeneities in magnetic resonance imaging (MRI) data has little significance for visual diagnosis, but is a crucial step before automated radiotherapy solutions. There are several well-established normalization methods, however they are usually time expensive and difficult to tune for a specific dataset. In this study, we show how an artificial neural network (ANN) can be trained on non-medical images --- making the model general --- for intensity normalization on medical MRI images. Compared to one of the most well-known correction methods, N4ITK, the trained network achieves a higher accuracy with a speedup-factor of almost 70.

研究の動機と目的

• 多様なスキャナーや解剖的領域にわたって良好に動作する汎用的な MRI 強度正規化手法の開発。
• 深層学習モデルのトレーニングに医療画像を必要としないことの実現。
• 従来の手法（例：N4ITK）よりも高速に処理を実現しつつ、精度を維持または向上させること。
• 臨床的な不均一性を再現する現実的なゲインフィールドを備えた合成 MRI データ上で手法を検証すること。
• 自然画像でトレーニングされたネットワークが、医療データにさらされないまま MRI の強度非均一性を効果的に補正できるかの検証。

提案手法

• 256×256 入力画像から低周波数のゲインフィールドを推定するために、変更を加えた ResNet アーキテクチャ（GetNet と命名）を用いる。
• 二重ブランチ構造を用いたトレーニング：一方のブランチは、合成ゲインフィールドを追加した入力画像を処理し、もう一方のブランチは元の画像を処理する。
• ゲインフィールドの比を計算するための別個のネットワーク（NeedNet）を用い、両ブランチからの出力をもとに補正要因を推定することで、ゲインフィールドの除去を学習する。
• トレーニングの目的関数として、予測値と真値のゲインフィールド比の平均絶対誤差（MAE）を用い、全ボクセルで差を最小化する。
• 文献および BrainWeb データに基づき、最大 30% の不均一性を持つ合成ゲインフィールドを生成し、MRI の強度変動を現実的に再現した。
• トレーニングには、実際の医療画像データを一切使用せず、グレースケールに変換・正規化した ImageNet 画像のみを用いた。

実験結果

リサーチクエスチョン

• RQ1 非医療画像でトレーニングされた深層ニューラルネットワークは、多様なスキャナーや解剖的領域にわたって MRI 強度正規化に一般化可能か？
• RQ2 深層学習ベースの正規化手法は、N4ITK よりも精度と速度の両面で優れているか？
• RQ3 自然画像でトレーニングされたネットワークは、医療データにさらされないまま、MRI 特有のゲインフィールドを推定・補正できるか？
• RQ4 合成 MRI スキャンにおける異なる組織タイプにおいて、本手法の性能はどのように変化するか？
• RQ5 従来の手法に学習ベースのアプローチで置き換えた場合、計算効率と補正精度のトレードオフはどのようなものか？

主な発見

• GetNet は、画像全体の相対的平均絶対誤差（MAE）を 0.152 に低下させ、N4ITK の 0.166 や元のゲインフィールドの 0.231 よりも優れた性能を示した。
• 組織別評価では、脳脊髄液で MAE が 0.049、灰色領域で 0.031、白質で 0.019 にまで低下し、N4ITK の値を顕著に下回った。
• N4ITK よりも 70 倍の高速化を達成し、GeForce GTX 1050 Ti で補正時間を 20,470 秒から 294 秒に短縮した。
• 視覚的比較により、特に不均一性の高い領域で、GetNet は N4ITK より滑らかでより正確な強度補正を実現した。
• 異なる MRI シーケンスや組織タイプにわたっても、非医療画像でのみトレーニングされたにもかかわらず、良好な一般化性能を示した。
• アブレーションスタディにより、二重ブランチトレーニング戦略が、真値のゲインフィールドラベルがなくても、効果的にゲインフィールドの推定と除去を学習できていることが確認された。