[論文レビュー] A Self-Adaptive Network For Multiple Sclerosis Lesion Segmentation From Multi-Contrast MRI With Various Imaging Protocols

Yushan Feng, Huitong Pan+2 more|arXiv (Cornell University)|Nov 19, 2018

Spectroscopy Techniques in Biomedical and Chemical Research参考文献 5被引用数 4

ひとこと要約

本論文は、複数コントラストMRIからの多発性硬化症病変のセグメンテーションのための自己適応的ディープニューラルネットワークを提案する。このモデルは、展開時における欠損または変動するMRIシーケンスを動的に処理できる。新規のシーケンスドロップアウト技術を用いることで、多様な画像撮影プロトコルにおいても高い性能を維持し、ISBI 2015チャレンジでDiceスコア0.684を達成。また、セグメンテーション精度においてFLAIRが最も重要な役割を果たしていることが示された。

ABSTRACT

Deep neural networks (DNN) have shown promises in the lesion segmentation of multiple sclerosis (MS) from multicontrast MRI including T1, T2, proton density (PD) and FLAIR sequences. However, one challenge in deploying such networks into clinical practice is the variability of imaging protocols, which often differ from the training dataset as certain MRI sequences may be unavailable or unusable. Therefore, trained networks need to adapt to practical situations when imaging protocols are different in deployment. In this paper, we propose a DNN-based MS lesion segmentation framework with a novel technique called sequence dropout which can adapt to various combinations of input MRI sequences during deployment and achieve the maximal possible performance from the given input. In addition, with this framework, we studied the quantitative impact of each MRI sequence on the MS lesion segmentation task without training separate networks. Experiments were performed using the IEEE ISBI 2015 Longitudinal MS Lesion Challenge dataset and our method is currently ranked 2nd with a Dice similarity coefficient of 0.684. Furthermore, we showed our network achieved the maximal possible performance when one sequence is unavailable during deployment by comparing with separate networks trained on the corresponding input MRI sequences. In particular, we discovered T1 and PD have minor impact on segmentation performance while FLAIR is the predominant sequence. Experiments with multiple missing sequences were also performed and showed the robustness of our network.

研究の動機と目的

• 多発性硬化症病変セグメンテーションのためのディープラーニングモデルの臨床的展開において、変動するMRI画像撮影プロトコルの課題に対処すること。
• 再トレーニングなしに、欠損または不一致するMRIシーケンスに対応できるディープラーニングフレームワークの開発。
• 別々のモデルをトレーニングせずに、各MRIシーケンス（T1、T2、PD、FLAIR）がセグメンテーション性能に与える寄与度を定量化すること。
• 特定のシーケンスが利用不可または使用不能となる可能性のある多様な臨床状況においても、ロバストな性能を確保すること。

提案手法

• 推論時に欠損するMRIシーケンスをシミュレートするためのシーケンスドロップアウト技術を導入し、ネットワークが多様な入力組み合わせに一般化できるようにする。
• 情報の多いシーケンスを優先し、欠落したシーケンスを補完できる自己適応的ネットワークアーキテクチャを設計する。
• ISBI 2015データセットを用いて、T1、T2、PD、FLAIRの多コントラストMRIデータをエンドツーエンドでトレーニングし、耐障害性を確保する。
• すべての可能な入力シーケンスの組み合わせについて、統一されたネットワークを用いて性能を評価し、各構成ごとに別々のモデルを必要としない。
• 勾配に基づく分析を用いて、各MRIシーケンスがセグメンテーション出力に与える相対的寄与度を評価する。
• アテンションメカニズムをネットワークアーキテクチャに内蔵することで、利用可能性と関連性に基づいて入力シーケンスを動的に重み付けする。

実験結果

リサーチクエスチョン

• RQ1 推論時に特定のMRIシーケンスが欠落している場合、提案された自己適応的ネットワークの性能はどのようになるか？
• RQ2 T1、T2、PD、FLAIRのうち、どのMRIシーケンスがMS病変セグメンテーションの正確性に最も顕著に寄与しているか？
• RQ3 1つの統一ネットワークが、すべての可能な入力MRIシーケンスの組み合わせにおいてほぼ最適な性能を達成できるか？
• RQ4 複数のシーケンスが欠落している場合、性能はどの程度低下するか。また、モデルは依然としてロバスト性を保っているか？
• RQ5 再トレーニングなしで、臨床現場における画像撮影プロトコルの多様性にどの程度適応できるか？

主な発見

• 提案手法は、ISBI 2015 Longitudinal MS Lesion ChallengeにおいてDiceスミラリティ係数0.684を達成し、提出された手法の中では2位となった。
• FLAIRが利用可能だった場合、モデルは最高の性能を発揮した。これは、FLAIRが病変検出において主導的役割を果たしていることを示している。
• T1およびPDシーケンスはセグメンテーション精度にほとんど寄与せず、それらが欠落しても全体の性能に顕著な影響はなかった。
• 1つ以上のシーケンスが欠落していても、モデルは高い性能を維持しており、部分的な入力セットでトレーニングされた別々のモデルを上回った。
• 複数のシーケンスが欠落している状況での実験により、ネットワークのロバスト性と臨床現場の多様な変動に適応する能力が確認された。
• シーケンスドロップアウト技術により、再トレーニングなしに多様な画像撮影プロトコルに効果的に一般化できるようになった。