[論文レビュー] Automatic segmentation of the intracranialvolume in fetal MR images

Nadieh Khalili, Pim Moeskops+8 more|arXiv (Cornell University)|Jul 31, 2017

Fetal and Pediatric Neurological Disorders参考文献 15被引用数 3

ひとこと要約

本論文は、胎児MRIにおける脳内頭蓋内積算体積（ICV）の自動セグメンテーションのためのマルチスケール2次元畳み込みニューラルネットワーク（CNN）を提示する。胎児の月経後週数やボクシングボックスの局在化に関する事前知識が不要であり、冠状断面、 coronal断面、矢状断面の各方向で高いDiceスコア（最大0.95）を達成している。本手法は、さまざまな画像撮影方向においても頑健な性能を示し、30例の胎児T2強調スキャンを用いて検証されたが、運動アーチファクトが存在しても一貫した正確性を維持している。

ABSTRACT

MR images of the fetus allow non-invasive analysis of the fetal brain. Quantitative analysis of fetal brain development requires automatic brain tissue segmentation that is typically preceded by segmentation of the intracranial volume (ICV). This is challenging because fetal MR images visualize the whole moving fetus and in addition partially visualize the maternal body. This paper presents an automatic method for segmentation of the ICV in fetal MR images. The method employs a multi-scale convolutional neural network in 2D slices to enable learning spatial information from larger context as well as detailed local information. The method is developed and evaluated with 30 fetal T2-weighted MRI scans (average age $33.2\pm1.2$ weeks postmenstrual age). The set contains $10$ scans acquired in axial, $10$ in coronal and $10$ in sagittal imaging planes. A reference standard was defined in all images by manual annotation of the intracranial volume in $10$ equidistantly distributed slices. The automatic analysis was performed by training and testing the network using scans acquired in the representative imaging plane as well as combining the training data from all imaging planes. On average, the automatic method achieved Dice coefficients of 0.90 for the axial images, 0.90 for the coronal images and 0.92 for the sagittal images. Combining the training sets resulted in average Dice coefficients of 0.91 for the axial images, 0.95 for the coronal images, and 0.92 for the sagittal images. The results demonstrate that the evaluated method achieved good performance in extracting ICV in fetal MR scans regardless of the imaging plane.

研究の動機と目的

• 胎児MR画像における脳内頭蓋内積算体積（ICV）セグメンテーションの自動化手法を開発すること。これは、定量的胎児脳解析のための重要な前処理ステップである。
• 広い視野にわたる胎児の動きや母体組織を含む胎児MRIにおいて、ICVをセグメンテーションする課題に対処すること。
• 月経後週数や脳のサイズに関する事前知識に依存せずに、異なる画像断面（冠状断面、coronal断面、矢状断面）におけるマルチスケールCNNの性能を評価すること。
• 複数の画像撮影方向からのスキャンを含むトレーニングデータにおいて、本手法の頑健性と一般化性能を評価すること。

提案手法

• マルチスケール2次元畳み込みニューラルネットワーク（CNN）を用いて、胎児MRIスライスから広範囲の空間的文脈と詳細な局所的特徴を学習する。
• トレーニングとテストは、33.2±1.2週の月経後週数の30例のT2強調胎児MRIスキャンに適用され、各画像断面（冠状断面、coronal断面、矢状断面）10例ずつが使用された。
• トレーニングは、断面別に分離したデータまたは3つの画像断面からなる統合データセットを用い、撮影方向間での一般化性能を評価した。
• 評価の基準となる基準を定義するため、各スキャンの等間隔に10スライスを手動でアノテーションした。
• 本手法は、脳の事前局在化やボクシングボックスのクロッピングを必要とせず、全容量の胎児MR画像から直接ICVをセグメンテーションする。
• 性能評価にはDice係数、ハウスドルフ距離、およびカッパ統計を用い、各画像断面および実験設定ごとに結果を報告した。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール2次元CNNは、冠状断面、coronal断面、矢状断面の異なる画像撮影方向において、頑健かつ正確にICVセグメンテーションを達成できるか？
• RQ2 複数の画像撮影方向からのトレーニングデータを統合することで、断面別にトレーニングした場合と比較してセグメンテーション性能が向上するか？
• RQ3 運動アーチファクトや視野内に部分的な胎児・母体組織が存在する状況下でも、本手法はどの程度の性能を示すか？
• RQ4 月経後週数や予想される脳のサイズといった事前知識への依存度は、どの程度低減されるか？

主な発見

• 断面別データでトレーニング・テストした場合、冠状断面で平均Dice係数0.90、coronal断面で0.90、矢状断面で0.92を達成した。
• 3つの画像断面からの統合データセットでトレーニングした場合、冠状断面で0.91（冠状断面）、0.95（coronal断面）、0.92（矢状断面）のDice係数を達成し、coronal断面での一貫性が向上した。
• 本手法は画像撮影方向の違いに対して頑健であり、異なるスキャン断面間で顕著な性能低下を示さなかった。
• 矢状断面における運動アーチファクトが一部のスライスのセグメンテーションに影響を与えたが、手動アノテーションが存在しないため、定量的評価の対象外となった。
• 本手法は、事前の解剖学的または月経後週数の前提がない状態で、多様な画像撮影方向において、先行手法に比してDiceスコアの一貫性が優れていた。
• 結果から、マルチスケールCNNは、限られたトレーニングデータと変動する画像品質の下でも、胎児MRIにおけるICVセグメンテーションに有効であると考えられる。