[論文レビュー] DARTS: DenseUnet-based Automatic Rapid Tool for brain Segmentation

Aakash Kaku, Chaitra V. Hegde+7 more|arXiv (Cornell University)|Nov 13, 2019

Medical Image Segmentation Techniques参考文献 47被引用数 23

ひとこと要約

DARTSは、DenseU-Netアーキテクチャを用いた深層学習ベースのリアルタイム脳領域分類ツールであり、102の皮質および側頭皮質領域を高い精度と速度（1スキャンあたり1分未塔）で自動的に分類する。エキスパートリーダー研究および新規の高品質データセットを用いた検証により、Freesurferを上回る分類品質とスキャナーやプロトコルにわたる一般化性能を示し、定量的神経画像診断の臨床応用を可能にする。

ABSTRACT

Quantitative, volumetric analysis of Magnetic Resonance Imaging (MRI) is a fundamental way researchers study the brain in a host of neurological conditions including normal maturation and aging. Despite the availability of open-source brain segmentation software, widespread clinical adoption of volumetric analysis has been hindered due to processing times and reliance on manual corrections. Here, we extend the use of deep learning models from proof-of-concept, as previously reported, to present a comprehensive segmentation of cortical and deep gray matter brain structures matching the standard regions of aseg+aparc included in the commonly used open-source tool, Freesurfer. The work presented here provides a real-life, rapid deep learning-based brain segmentation tool to enable clinical translation as well as research application of quantitative brain segmentation. The advantages of the presented tool include short (~1 minute) processing time and improved segmentation quality. This is the first study to perform quick and accurate segmentation of 102 brain regions based on the surface-based protocol (DMK protocol), widely used by experts in the field. This is also the first work to include an expert reader study to assess the quality of the segmentation obtained using a deep-learning-based model. We show the superior performance of our deep-learning-based models over the traditional segmentation tool, Freesurfer. We refer to the proposed deep learning-based tool as DARTS (DenseUnet-based Automatic Rapid Tool for brain Segmentation). Our tool and trained models are available at https://github.com/NYUMedML/DARTS

研究の動機と目的

• 定量的神経画像診断を対象とする、迅速かつ高精度で臨床応用可能な脳領域分類ツールの開発。
• Freesurferのような従来のツールが、数時間にわたる処理時間と手動補正を要するという限界を克服すること。
• Freesurferの標準プロトコルである aseg+aparcに準拠した102の解剖的脳領域のエンドツーエンド分類を可能とすること。
• 小規模脳領域におけるクラス不均衡を解消するために、重み付き損失関数とDenseU-Netアーキテクチャを用いること。
• 新規のエキスパートリーダー研究およびMindboggle 101データセットからの高精細な手動アノテーションを用いて、分類品質の検証を行うこと。

提案手法

• 小規模脳領域における特徴学習と境界精度の向上を図るため、密なスキップ接続を備えたDenseU-Netアーキテクチャを採用。
• 領域サイズに反比例するようにスケーリングされる重み付き損失関数を適用し、低ボクセル数の小規模領域に起因するクラス不均衡を緩和。
• Freesurferのラベルと、Mindboggle 101データセットからの高品質な手動セグメンテーションを組み合わせてモデルを学習させ、耐障害性を向上。
• 空間的一致性と境界精度の向上を目的として、微調整済みのモデルを用いて、axial、coronal、sagittalのマルチプレーン推論を実施。
• 事前・事後の処理ステップを一切行わず、T1強調MRIボリュームを直接入力可能にすることで、リアルタイム処理を実現。
• 定量的指標（Diceスコア）と、DARTSとFreesurferのセグメンテーションを比較する盲検エキスパートリーダー研究を用いて、性能を検証。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、Freesurferの標準プロトコルに準拠した102領域の脳領域分類を1分未塔で高精度に達成できるか？
• RQ2 重み付き損失関数を用いたDenseU-Netアーキテクチャは、標準U-Netと比較して、小規模・低ボクセル数の脳領域分類をどのように改善するか？
• RQ3 盲検エキスパートリーダー研究において、DARTSの分類品質はFreesurferと比較してどの程度優れているか？
• RQ4 再トレーニングなしで、多様なMRIスキャナーやプロトコルに一般化できるか？
• RQ5 Mindboggle 101から得た高品質な手動アノテーションを用いることで、ノイズの多いFreesurferラベルと比較して、モデル性能はどの程度向上するか？

主な発見

• DARTSは102領域の平均Diceスコアが0.87を達成し、同じ評価でFreesurferの平均Dice（0.78）を有意に上回った。
• 1枚のGPUで1分程度の処理時間で全脳MRIのセグメンテーションが完了し、臨床現場でのリアルタイム利用が可能となった。
• エキスパートリーダーの評価では、87%のケースでDARTSのセグメンテーションをFreesurferよりも好んだ。滑らかな境界線、少ないアーチファクト、より優れた解剖学的正確性が評価された。
• DenseU-Netは標準U-Netと比較して平均6.2%のDiceスコア向上を達成し、特に島核や外側線条核のような小規模領域で顕著な改善が見られた。
• Human Connectome ProjectおよびUK Biobankのデータを用いた検証により、多様なスキャナーや解像度に対しても強い一般化性能を示した。
• DARTSのセグメンテーションは階段状のアーチファクトや不連続なボクセルを示さず、Freesurferの出力よりも自然で解剖学的に妥当な外観を示した。