[論文レビュー] Automatic deep learning-based normalization of breast dynamic contrast-enhanced magnetic resonance images

Jun Zhang, Ashirbani Saha+2 more|arXiv (Cornell University)|Jul 5, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 3被引用数 6

ひとこと要約

本稿では、多様なスキャナーやプロトコルに跨る乳腺DCE-MRIスキャンの自動的強度正規化を目的とした、パラメータフリーのディープラーニングベースの手法を提案する。組織セグメンテーションを用いて空気、脂肪、濃度の高い組織、心臓を強度のアンカーとして特定し、被験者固有の区分線形マッピングを適用することで、被験者間での組織強度を一致させ、スキャナーパrameterを必要とせずにピクセル値およびラジオミクス特徴量の整合性を顕著に向上させる。

ABSTRACT

Objective: To develop an automatic image normalization algorithm for intensity correction of images from breast dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) acquired by different MRI scanners with various imaging parameters, using only image information. Methods: DCE-MR images of 460 subjects with breast cancer acquired by different scanners were used in this study. Each subject had one T1-weighted pre-contrast image and three T1-weighted post-contrast images available. Our normalization algorithm operated under the assumption that the same type of tissue in different patients should be represented by the same voxel value. We used four tissue/material types as the anchors for the normalization: 1) air, 2) fat tissue, 3) dense tissue, and 4) heart. The algorithm proceeded in the following two steps: First, a state-of-the-art deep learning-based algorithm was applied to perform tissue segmentation accurately and efficiently. Then, based on the segmentation results, a subject-specific piecewise linear mapping function was applied between the anchor points to normalize the same type of tissue in different patients into the same intensity ranges. We evaluated the algorithm with 300 subjects used for training and the rest used for testing. Results: The application of our algorithm to images with different scanning parameters resulted in highly improved consistency in pixel values and extracted radiomics features. Conclusion: The proposed image normalization strategy based on tissue segmentation can perform intensity correction fully automatically, without the knowledge of the scanner parameters. Significance: We have thoroughly tested our algorithm and showed that it successfully normalizes the intensity of DCE-MR images. We made our software publicly available for others to apply in their analyses.

研究の動機と目的

• 異なるMRIスキャナーやプロトコルで撮影されたDCE-MRIスキャンにおける強度の不一致を是正すること。これは、定量的ラジオミクスおよびラジオゲノミクス解析を阻害する要因である。
• 物理的スキャナーパrameterや取得メタデータに依存しない完全自動の正規化手法を開発すること。
• ディープラーニングによる組織セグメンテーションと区分線形マッピングを活用して、被験者間で一貫した組織強度レンジを確保すること。
• 乳がんの分子サブタイプ分類などの臨床的タスクにおけるラジオミクス特徴量の判別力の向上を図ること。
• 研究者らがDCE-MRIデータを標準化できる、公開可能で計算効率の良いツールを提供すること。

提案手法

• 事前対照のDCE-MRIスキャン上で、脂肪、濃度の高い組織、心臓の3種類の組織タイプをセグメンテーションするためのU-Netベースの完全畳み込みネットワーク（FCN）を訓練する。
• 強度アンカーとして4つの組織／物質タイプ（空気、脂肪、濃度の高い組織、心臓）を用い、ターゲット強度レンジを定義する。
• 入力画像における各組織タイプの中央値強度値と対応するターゲットレンジに基づき、被験者固有の区分線形マッピング関数を計算する。
• 各組織タイプごとに独立してマッピングを適用することで、被験者間での一貫した強度表現を確保する。
• スキャナーフィールド強度、TR、TE、対比剤タイプの知識を一切必要とせず、画像コンテンツのみに依存して動作する。
• 正規化パイプラインは計算的に効率的であり、1つの3次元ボリュームあたりの合計処理時間が25秒未満である。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのセグメンテーション手法を用いることで、スキャナーパラメータの情報がなくてもDCE-MRIの自動的強度正規化が可能になるか？
• RQ2 組織固有の強度アンカーに基づく区分線形マッピングが、乳腺DCE-MRIにおけるスキャナーベースの強度ばらつきを低減するか？
• RQ3 提案手法による正規化が、分子サブタイピングのためのラジオミクス特徴量の判別力にどの程度向上効果をもたらすか？
• RQ4 本手法は多様なMRIスキャナーやフィールド強度、取得プロトコルに対してどの程度頑健か？
• RQ5 不完全なセグメンテーションマスクであっても、依然として効果的な強度正規化が達成可能か？

主な発見

• 提案手法は、異なるスキャナーやプロトコルで撮影されたDCE-MRIスキャンにおけるピクセル強度分布の整合性を顕著に向上させた。
• 正規化後、被験者間で同じ組織タイプ（例：脂肪や濃度の高い組織）の平均強度が狭い範囲に一貫して一致した。
• 正規化画像から抽出されたラジオミクス特徴量は、元の未正規化画像からの特徴量と比較して、乳がんの分子サブタイプ分類においてより高い判別力を示した。
• 1つの3次元DCE-MRIボリューム（512×512×90）あたりの平均計算時間は24.4秒であり、濃度の高い組織のセグメンテーションが最も時間のかかるステップであった（13.6秒）。
• 本手法は不完全なトレーニングマスクに対しても頑健であり、予測されたセグメンテーションマスクは粗い非教師あり生成トレーニングマスクを上回る品質を達成した。
• 正規化は大多数のラジオミクス特徴量における強度差を効果的に低減したが、ノイズ関連の差異（例：F6特徴量のSERの標準偏差）は是正されなかった。