[論文レビュー] A hybrid deep learning framework for integrated segmentation and registration: evaluation on longitudinal white matter tract changes

Bo Li, Wiro J. Niessen+5 more|arXiv (Cornell University)|Aug 26, 2019

Advanced Neuroimaging Techniques and Applications参考文献 12被引用数 6

ひとこと要約

本論文は、大規模な拡散MRIデータセット（3249人の被験者から8045スキャン）を用いた縦断的白質トレイクト解析において、セグメンテーションと可変的レジストレーションを1つのエンドツーエンドCNNで同時に最適化するハイブリッドディープラーニングフレームワークを提案する。この手法は、正確性、一貫性、再現性を著しく向上させ、マルチステージパイプラインや比較的手法に比べて優れた性能を発揮するとともに、オーダー・オブ・マグニチュード速いため、時間的経過に伴う脳微細構造変化の堅牢な定量的評価が可能になる。

ABSTRACT

To accurately analyze changes of anatomical structures in longitudinal imaging studies, consistent segmentation across multiple time-points is required. Existing solutions often involve independent registration and segmentation components. Registration between time-points is used either as a prior for segmentation in a subsequent time point or to perform segmentation in a common space. In this work, we propose a novel hybrid convolutional neural network (CNN) that integrates segmentation and registration into a single procedure. We hypothesize that the joint optimization leads to increased performance on both tasks. The hybrid CNN is trained by minimizing an integrated loss function composed of four different terms, measuring segmentation accuracy, similarity between registered images, deformation field smoothness, and segmentation consistency. We applied this method to the segmentation of white matter tracts, describing functionally grouped axonal fibers, using N=8045 longitudinal brain MRI data of 3249 individuals. The proposed method was compared with two multistage pipelines using two existing segmentation methods combined with a conventional deformable registration algorithm. In addition, we assessed the added value of the joint optimization for segmentation and registration separately. The hybrid CNN yielded significantly higher accuracy, consistency and reproducibility of segmentation than the multistage pipelines, and was orders of magnitude faster. Therefore, we expect it can serve as a novel tool to support clinical and epidemiological analyses on understanding microstructural brain changes over time.

研究の動機と目的

• 脳MRI研究における縦断的時系列間での一貫性のないセグメンテーションの課題に対処すること。
• レジストレーションとセグメンテーションを別々で順次処理するマルチステージパイプラインの制限を克服すること。
• より高い性能を実現するため、セグメンテーションとレジストレーションの両方を統合的に最適化するエンドツーエンドディープラーニングフレームワークの開発。
• 白質トレイクトセグメンテーションのための大規模な縦断的拡散MRIデータセットを用いた手法の評価。
• セグメンテーションとレジストレーションの両タスクにおける統合最適化の追加価値の評価。

提案手法

• フレームワークは、セグメンテーションと可変的レジストレーションを1つのハイブリッドCNNに統合し、統一された損失関数を用いて両タスクを同時に最適化する。
• 損失関数は4つの項を組み合わせている：セグメンテーションの正確性（Dice係数）、レジストレーション後の画像類似度、変形場の滑らかさ、および時系列間のセグメンテーションの一貫性。
• ネットワークアーキテクチャは、両タスクに共通のパラメータを用い、セグメンテーションと変形予測のためのタスク固有のヘッドを備える。
• レジストレーションは、入力画像のソースとターゲットから変形場を予測する共通の変換ネットワーク $\mathcal{G}_{\boldsymbol{\Phi}}$ を用いて実行される。
• 8045例の縦断的スキャンからなる大規模データセットを用い、Adam最適化アルゴリズム（学習率 $10^{-4}$）でエンドツーエンドで学習される。
• 性能評価には、Dice係数（DC）、CohenのKappa係数 ($\kappa$)、およびFA測定値のスキャン・リスキャン誤差 ($\epsilon$) が用いられる。

実験結果

リサーチクエスチョン

• RQ1 1つのディープラーニングフレームワーク内でセグメンテーションとレジストレーションを統合的に最適化することで、マルチステージパイプラインと比較してセグメンテーションの正確性と一貫性が向上するか？
• RQ2 独立したレジストレーション手法と比較して、ハイブリッドフレームワークを単体で用いることで、レジストレーションの正確性が向上するか？
• RQ3 スタンドアロンのセグメンテーションネットワークと比較して、統合最適化がセグメンテーション性能にどの程度向上効果をもたらすか？
• RQ4 FA測定値の時系列間の再現性に関して、本手法はどの程度の性能を示すか？
• RQ5 ハイブリッドモデルは、セグメンテーションおよびレジストレーションの品質を維持または向上させつつ、より高速な推論を達成できるか？

主な発見

• ハイブリッド手法は、セグメンテーションの正確性においてDice係数0.70 ± 0.07を達成し、マルチステージパイプライン（0.67 ± 0.08、p < 0.01）を著しく上回った。
• 変換済みセグメンテーションとターゲットセグメンテーション間のセグメンテーションの一貫性は、Dice係数0.73 ± 0.11に達し、マルチステージ手法（0.70 ± 0.06、p < 0.01）を著しく上回った。
• FA測定値のスキャン・リスキャン誤差は2.3%にまで低減され、文献ベースライン（11%）および特化した縦断的手法（5%）を上回った。
• ハイブリッドモデルのレジストレーション部は、参照セグメンテーション上でDiceスコア0.55 ± 0.11を達成し、独立したRegNet（0.53 ± 0.10、p < 0.01）を著しく上回った。
• ハイブリッドモデルのセグメンテーション部は、Diceスコア0.70 ± 0.07を達成し、スタンドアロンのSegNet（0.69 ± 0.08、p < 0.01）を著しく上回った。
• ハイブリッドフレームワークはマルチステージパイプラインと比較してオーダー・オブ・マグニチュード速く、脳微細構造変化の効率的かつ縦断的分析が可能になった。