[論文レビュー] A Learning Strategy for Contrast-agnostic MRI Segmentation

Benjamin Billot, Douglas N. Greve+4 more|arXiv (Cornell University)|Mar 4, 2020

Medical Image Segmentation Techniques参考文献 19被引用数 47

ひとこと要約

SynthSegはベイズ分割モデルから生成された合成のコントラスト変動スキャンを用いてCNNを訓練し、新しいモダリティに対して再訓練を必要とせずコントラスト不変な脳MRIセグメンテーションを可能にする。競争力のある精度と非常に高速な推論、データセット間の強い一般化を実現。

ABSTRACT

We present a deep learning strategy that enables, for the first time, contrast-agnostic semantic segmentation of completely unpreprocessed brain MRI scans, without requiring additional training or fine-tuning for new modalities. Classical Bayesian methods address this segmentation problem with unsupervised intensity models, but require significant computational resources. In contrast, learning-based methods can be fast at test time, but are sensitive to the data available at training. Our proposed learning method, SynthSeg, leverages a set of training segmentations (no intensity images required) to generate synthetic sample images of widely varying contrasts on the fly during training. These samples are produced using the generative model of the classical Bayesian segmentation framework, with randomly sampled parameters for appearance, deformation, noise, and bias field. Because each mini-batch has a different synthetic contrast, the final network is not biased towards any MRI contrast. We comprehensively evaluate our approach on four datasets comprising over 1,000 subjects and four types of MR contrast. The results show that our approach successfully segments every contrast in the data, performing slightly better than classical Bayesian segmentation, and three orders of magnitude faster. Moreover, even within the same type of MRI contrast, our strategy generalizes significantly better across datasets, compared to training using real images. Finally, we find that synthesizing a broad range of contrasts, even if unrealistic, increases the generalization of the neural network. Our code and model are open source at https://github.com/BBillot/SynthSeg.

研究の動機と目的

• 追加の訓練なしで任意のコントラストにまたがる頑健な脳MRIセグメンテーションを促進する。
• 生成的なベイズ分割モデルを活用して多様な訓練データを合成する。
• セグメンテーションマップ上でオンザフライの合成コントラストを用いてCNNを訓練し、コントラスト不変の性能を達成する。

提案手法

• ベイズ MRI セグメンテーションの古典的生成モデルをバックボーンとして使用。
• CNNをセグメンテーションマップ上で条件付けし、ランダムな外観、変形、ノイズ、バイアス場パラメータを持つ合成スキャンを生成。
• ランダムに変化するモデルパラメータのミニバッチサンプリングを通じて、多様な合成コントラストを生み出し、 learned features のコントラストバイアスを防止。
• 事前処理されていない脳MRIスキャンのさまざまなコントラストで直接セグメンテーションを実行するよう訓練。
• 一般化と速度を評価するため、4つの MRI コントラストを含む複数データセットで評価。
• 合成に基づく訓練が精度でベイズ分割に匹敵しつつ、推論は3桁速度で高速であることを示す。

実験結果

リサーチクエスチョン

• RQ1 未見のコントラストに対して、モダリティ固有のペアデータやファインチューニングなしで脳MRIをセグメントできるCNNを訓練できるか？
• RQ2 ベイズ生成モデルに基づく合成コントラスト拡張は、実画像で訓練するよりデータセット間の一般化を向上させるか？
• RQ3 広範で時には非現実的なコントラストの合成がネットワーク一般化に与える影響はどの程度か？

主な発見

• 提案手法は評価データのすべてのコントラストをセグメントする。
• SynthSegはわずかに速く、精度は古典的なベイズ分割と競合する。
• 同じMRIコントラスト内でデータセット間の一般化は、実画像で訓練したCNNより大幅に優れている。
• 現実的でない広範な合成コントラストで訓練することは一般化を改善する。
• この手法は4データセット、4つのMRコントラストにまたがり、1,000人以上の被験者に拡張可能。