[論文レビュー] Direct White Matter Bundle Segmentation using Stacked U-Nets

Jakob Wasserthal, Peter Neher+2 more|arXiv (Cornell University)|Mar 6, 2017

Advanced Neuroimaging Techniques and Applications参考文献 12被引用数 4

ひとこと要約

本論文では、拡散MRIにおける白質線条の直接的セグメンテーションのためのスタックドU-Netアーキテクチャを提案する。トラクトグラフィーを回避し、手動セグメンテーションから空間的事前知識を学習することで実現する。30名のHuman Connectome Project被験者で訓練された本手法は、1脳あたり5秒未塔で人間水準の性能を達成し、先行する直接的セグメンテーション手法を上回り、生体およびフィジカル・フォームデータにおいて最先端のトラクトグラフィー・パイプラインと同等の性能を示す。

ABSTRACT

The state-of-the-art method for automatically segmenting white matter bundles in diffusion-weighted MRI is tractography in conjunction with streamline cluster selection. This process involves long chains of processing steps which are not only computationally expensive but also complex to setup and tedious with respect to quality control. Direct bundle segmentation methods treat the task as a traditional image segmentation problem. While they so far did not deliver competitive results, they can potentially mitigate many of the mentioned issues. We present a novel supervised approach for direct tract segmentation that shows major performance gains. It builds upon a stacked U-Net architecture which is trained on manual bundle segmentations from Human Connectome Project subjects. We evaluate our approach extit{in vivo} as well as extit{in silico} using the ISMRM 2015 Tractography Challenge phantom dataset. We achieve human segmentation performance and a major performance gain over previous pipelines. We show how the learned spatial priors efficiently guide the segmentation even at lower image qualities with little quality loss.

研究の動機と目的

• トラクトグラフィーの複雑で誤差を起こしやすいパイプラインを回避する、直接的でエンドツーエンドのディープラーニング手法を開発すること。
• アトラスベースおよびストリームラインクラスタリング手法の限界、すなわち計算コスト、セットアップの複雑さ、再現性の低さを克服すること。
• 手動セグメンテーションから被験者固有の空間的事前知識を学習することで、セグメンテーションの正確性と耐性を向上させること。
• 大型および細い線条を含む、両方の線条を高速で自動的かつ高精度にセグメンテーションすること。
• トラクトメトリーやトラクトグラムのフィルタリングに適用可能な、スケーラブルで一般化可能な自動線条セグメンテーションフレームワークを提供すること。

提案手法

• 軸方向、冠状方向、 coronal 切断の3つの2次元U-Netをスタックし、その後に予測を統合するための4番目の3次元U-Netを用いるスタックドU-Netアーキテクチャを採用する。
• MRtrixにおける制約付き球面デコンボリューションを用いてfODFピークから導出された、ボクセル単位の主軸線方向ベクトル（1ボクセルあたり9つの特徴）を入力とする。
• 学習率0.002、バッチサイズ8、70エポック、ドロップアウト確率0.4を用い、カテゴリカル交差エントロピー損失でエンドツーエンドに訓練する。
• 全解剖的平面における方向性情報を捉えるために、マルチプランル監視を活用し、空間的インダクティブバイアスを向上させる。
• ストリームライン処理を経由せずに、ボクセルごとの線条所属確率マップを生成することで、3次元セグメンテーションを高精度に実現する。
• 30名の手動セグメンテーション済みHCP被験者で訓練され、最近のGPU上で1回の推論が5秒未塔で完了する。

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直接的セグメンテーション手法は、トラクトグラフィーやアトラス登録に依存せず、白質線条セグメンテーションで人間水準の正確性を達成できるか？
• RQ2 マルチプランル監視を備えたスタックドU-Netアーキテクチャは、拡散MRIデータにおいて標準U-Netと比較して、どのようにセグメンテーション性能を向上させるか？
• RQ3 本モデルは、ノイズやアーティファクトを含む低品質な生体データおよびインシリコ・フォームにどの程度一般化できるか？
• RQ4 従来の手法が困難である細い線条、例えば前連合線条に対して、本モデルはどの程度の性能を示すか？
• RQ5 人間固有のセグメンテーションから学習された空間的事前知識は、画像品質が劣化した状況でも、堅牢なセグメンテーションを可能にするか？

主な発見

• 本手法は、生体の高解像度および低解像度HCPデータにおいて人間水準のセグメンテーション性能を達成し、右側の皮髄側索線条でDiceスコア0.84、左側の上縦束で0.85を記録した。
• ISMRM 2015 トラクトグラフィーチャレンジのフォームでは、皮髄側索線条で上位3位以内にランクされ、構造的差異があるにもかかわらず上縦束でも競争力のある性能を示した。
• 低品質な生体データに対しても高いセグメンテーション品質を維持し、わずかな性能低下にとどまり、画像品質の変動に強いことを示した。
• スタックドU-Netの設計は、単一のU-Netと比較して顕著にセグメンテーション正確性を向上させ、特に細かな解剖的特徴や線条境界の捉えを改善した。
• アーティファクトのないフォームでは、元のノイズを含むバージョンよりもわずかに高い性能を示したため、トレーニングデータとテストデータの構造的差異が一般化に影響を与えることが示唆された。
• 最近のGPU上で、1回の推論が5秒未塔で完了し、従来のトラクトグラフィーに基づくパイプラインに比べて顕著な速度優位性を示した。