[論文レビュー] Brain Tissue Segmentation Across the Human Lifespan via Supervised Contrastive Learning

Xiaoyang Chen, Jinjian Wu+7 more|arXiv (Cornell University)|Jan 3, 2023

Medical Image Segmentation Techniques被引用数 4

ひとこと要約

本論文は、監視付き対照学習を用いて、人間の生涯にわたる脳組織分類（0–100歳）を統合的に扱う深層学習フレームワークを提案する。この手法は、年齢に伴う解剖学的・強度的変動が著しい大規模な2,464例のMR画像データセットにおいて、最先端の性能を達成し、白質、灰色核、脳脊髄液の分類において、既存手法を上回っている。

ABSTRACT

Automatic segmentation of brain MR images into white matter (WM), gray matter (GM), and cerebrospinal fluid (CSF) is critical for tissue volumetric analysis and cortical surface reconstruction. Due to dramatic structural and appearance changes associated with developmental and aging processes, existing brain tissue segmentation methods are only viable for specific age groups. Consequently, methods developed for one age group may fail for another. In this paper, we make the first attempt to segment brain tissues across the entire human lifespan (0-100 years of age) using a unified deep learning model. To overcome the challenges related to structural variability underpinned by biological processes, intensity inhomogeneity, motion artifacts, scanner-induced differences, and acquisition protocols, we propose to use contrastive learning to improve the quality of feature representations in a latent space for effective lifespan tissue segmentation. We compared our approach with commonly used segmentation methods on a large-scale dataset of 2,464 MR images. Experimental results show that our model accurately segments brain tissues across the lifespan and outperforms existing methods.

研究の動機と目的

• 出生から高齢期に至るまでの人生全期間にわたって、正確に脳組織を分類できる1つの深層学習モデルの開発を目的とする。
• MR画像における発達的および老化的プロセスに起因する構造的・コントラスト的変動の課題に対処することを目的とする。
• 強度不均一性、運動アーチファクト、スキャナの違い、多様な撮影プロトコルに対する耐性を向上させることを目的とする。
• 既存手法が特定の年齢群（例：成人や乳児）に特化しているため、広範な適用において失敗するという限界を克服することを目的とする。
• 監視付き対照学習が、生涯にわたる分類のための判別的特徴を学習する上で有効であることを示すこと

提案手法

• ボクセル単位の分類を目的とした、特徴抽出部と分類ヘッドを備えた深層エンコーダ・デコーダネットワークを用いる。
• 各組織クラスごとのプロトタイプ特徴のメモリバンクを用いて、監視付き対照学習を適用し、特徴の判別能を向上させる。
• 特徴表現とクラス固有のプロキシとの間のコサイン類似度を用い、同じクラスの特徴を引き寄せ、異なるクラスの特徴を遠ざける。
• 交差エントロピー損失と対照損失を組み合わせ、ハイパーパrameter λ_ctr で重み付けして、分類と特徴学習を同時に最適化する。
• ペairワイズ比較の計算コストを削減するために、代表的特徴を格納するサイズMのメモリバンクを用いる。
• 対照的目的関数における類似度分布の鋭さを制御するため、温度スケーリングτを用いる。

実験結果

リサーチクエスチョン

• RQ1 0歳から100歳までの人生全期間にわたって、1つの深層学習モデルが正確な脳組織分類を達成できるか？
• RQ2 監視付き対照学習は、MR画像における年齢に伴う解剖学的・強度的変化に対する特徴表現の耐性をどれほど向上させられるか？
• RQ3 本モデルは、多様な撮影プロトコル、スキャナ、画像品質条件において、どの程度一般化できるか？
• RQ4 T1強調画像とT2強調画像の両方を入力とした場合と、単一モodal入力とを比較した場合、分類性能にどのような差が出るか？
• RQ5 M, τ, λ_ctr のハイパーパrameter設定のうち、どの組み合わせが最良の分類精度と安定性をもたらすか？

主な発見

• テストセットにおいて、本手法は灰色核で94.2±1.1%、白質で95.7±1.0%、脳脊髄液で88.5±3.8%のDice類似係数（DSC）を達成し、既存手法を上回った。
• 組織クラスごとのボクセルをバランスよくサンプリングすることで、少数クラス（特にCSF）のDSCが向上し、非バランスな場合の83.0±6.2%から、バランスな場合の88.5±3.8%に上昇した。
• 単一のT1強調またはT2強調画像を用いた場合でも、性能はわずかに低下するにとどまり（DSC低下0.4–1.9%）、限られた入力からの強い一般化性を示した。
• より大きなメモリバンクサイズ（M=10）とより小さい温度（τ=0.1）が、対照学習理論に合致した良好な分類結果をもたらした。
• モデルは、組織体積の非線形的成長軌跡を適切に捉えた：灰色核と白質は増加後に減少し、脳脊髄液は生涯にわたり単調に増加した。
• 高品質な白色核およびピアル表面再構成が得られ、明確な皮質回と gyri が確認され、詳細な分類精度が裏付けられた。