[論文レビュー] Brain Atlas Guided Attention U-Net for White Matter Hyperintensity Segmentation

Zicong Zhang, Kimerly Powell+5 more|PubMed|Oct 19, 2020

Acute Ischemic Stroke Management参考文献 26被引用数 4

ひとこと要約

本論文は、T1強調画像を必要とせず、FLAIR MRIスキャンと空間的に登録された白質（WM）脳アトラスのみを用いて、最先端の白質高信号病変（WMH）セグメンテーションを達成する、深層学習モデルであるBrain Atlas Guided Attention U-Net（BAGAU-Net）を提案する。二重パスアーキテクチャにマルチインプットアテンションとアテンション統合モジュールを統合することで、BAGAU-Netは解剖学的知識を活用し、2つの公的データセットにおいてT1依存型手法と同等またはそれ以上の性能を達成する。

ABSTRACT

White Matter Hyperintensities (WMH) are the most common manifestation of cerebral small vessel disease (cSVD) on the brain MRI. Accurate WMH segmentation algorithms are important to determine cSVD burden and its clinical con-sequences. Most of existing WMH segmentation algorithms require both fluid attenuated inversion recovery (FLAIR) images and T1-weighted images as inputs. However, T1-weighted images are typically not part of standard clinical scans which are acquired for patients with acute stroke. In this paper, we propose a novel brain atlas guided attention U-Net (BAGAU-Net) that leverages only FLAIR images with a spatially-registered white matter (WM) brain atlas to yield competitive WMH segmentation performance. Specifically, we designed a dual-path segmentation model with two novel connecting mechanisms, namely multi-input attention module (MAM) and attention fusion module (AFM) to fuse the information from two paths for accurate results. Experiments on two publicly available datasets show the effectiveness of the proposed BAGAU-Net. With only FLAIR images and WM brain atlas, BAGAU-Net outperforms the state-of-the-art method with T1-weighted images, paving the way for effective development of WMH segmentation. Availability: https://github.com/Ericzhang1/BAGAU-Net.

研究の動機と目的

• 急性期ストロークプロトコルで頻繁に省かれるT1強調画像を必要としない正確なWMHセグメンテーションの臨床的制限を解消すること。
• 公開利用可能な白質脳アトラスを事前知識として活用する深層学習モデルを開発し、T1スキャンなしでセグメンテーションを向上させること。
• 特にT1シーケンスが通常取得されない時間的に制限のある急性期ストローク状況においても、実用的で頑健な手法を構築すること。
• 二重パスU-Netアーキテクチャにおけるアテンション機構を通じた解剖学的事前知識の統合により、モデルの解釈可能性と性能を向上させること。

提案手法

• BAGAU-Netは二重パスU-Netアーキテクチャを採用：一方のパスはFLAIR画像を処理し、もう一方は空間的に登録された白質脳アトラスを符号化する。
• エンコーディングおよびデコーディング段階で、FLAIRパスとアトラスパスからの特徴量に動的アテンションを適用するためのマルチインプットアテンションモジュール（MAM）を導入する。
• 最終予測ステップでアテンション統合モジュール（AFM）を適用し、両パスからのマルチスケール特徴量を統合することで、特徴表現を強化する。
• セグメンテーション性能を最適化するために、バイナリクロスエントロピー損失とDice損失を用いてエンドツーエンドでネットワークを訓練する。
• 脳アトラスは非剛性登録を用いてFLAIR空間に事前に登録され、解剖学的整合性を確保する。
• 本手法は2つのデータセット（2017年MICCAI WMHチャレンジおよびABVIBデータセット）で評価され、Dice類似係数（DSC）を含む標準指標が用いられる。

実験結果

リサーチクエスチョン

• RQ1 T1強調画像を必要とせず、FLAIR画像と白質脳アトラスのみを用いて、競争力のあるWMHセグメンテーション性能を達成できるか？
• RQ2 アテンションベースの統合機構は、FLAIRとアトラス特徴量を組み合わせることで、セグメンテーション精度を向上させるのにどの程度有効か？
• RQ3 WMアトラスからの事前解剖学的知識の統合は、T1強調画像に依存する最先端手法を上回る性能をもたらすか？
• RQ4 MAMおよびAFMモジュールを備えた二重パスアーキテクチャは、T1シーケンスが限られる臨床現場において、セグメンテーションの頑健性と解釈可能性を向上させるか？

主な発見

• BAGAU-Netは2017年MICCAI WMHチャレンジデータセットで82.02%のDice類似係数（DSC）を達成し、T1強調画像を必要とする最先端手法を上回った。
• ABVIBデータセットではDSCが81.45%に達し、多様な臨床被験者集団において一貫した性能を示した。
• アブレーションスタディの結果、MAMおよびAFMの両方が顕著に性能向上をもたらし、両モジュールを含めた場合のDSCは、ベースラインの80.52%から82.02%に上昇した。
• MICCAIデータセットでは平均DSCが82.02%を記録し、過去の自動WMHセグメンテーション手法の平均DSC 0.73を上回った。
• 可視化比較では、BAGAU-Netのセグメンテーション結果が、FLAIRとT1画像の両方を用いた場合と同等のものであったことが示され、最小限の入力で優れた一般化性能を示した。
• T1シーケンスの欠如に対しても頑健であることが示され、T1スキャンが通常取得されない急性期ストローク状況に適した手法であることが確認された。