[論文レビュー] Domain Adaptation using Silver Standard Masks for Lateral Ventricle Segmentation in FLAIR MRI

Owen Crystal, Pejman Maralani+3 more|arXiv (Cornell University)|Jul 17, 2023

Cardiac Imaging and DiagnosticsMedicine被引用数 3

ひとこと要約

本論文は、多施設データセットにおけるFLAIR MRIにおける側頭室セグメンテーションのための、新規のドメイン適応手法を提案する。銀標準（SS）マスクは、従来の画像処理アルゴリズムを用いて生成され、転移学習の性能を向上させる。ソースドメイン（CAIN）のゴールドスタンダード（GS）データで微調整し、ターゲットドメインのSSマスクで事前学習することで、SS+GSモデルは平均DSC 0.89を達成し、GSオンリーモデルに比べ4%高い精度を示した。これは、多様な臨床施設においても、強靭性と一貫性を示している。

ABSTRACT

Lateral ventricular volume (LVV) is an important biomarker for clinical investigation. We present the first transfer learning-based LVV segmentation method for fluid-attenuated inversion recovery (FLAIR) MRI. To mitigate covariate shifts between source and target domains, this work proposes an domain adaptation method that optimizes performance on three target datasets. Silver standard (SS) masks were generated from the target domain using a novel conventional image processing ventricular segmentation algorithm and used to supplement the gold standard (GS) data from the source domain, Canadian Atherosclerosis Imaging Network (CAIN). Four models were tested on held-out test sets from four datasets: 1) SS+GS: trained on target SS masks and fine-tuned on source GS masks, 2) GS+SS: trained on source GS masks and fine-tuned on target SS masks, 3) trained on source GS (GS CAIN Only) and 4) trained on target SS masks (SS Only). The SS+GS model had the best and most consistent performance (mean DSC = 0.89, CoV = 0.05) and showed significantly (p < 0.05) higher DSC compared to the GS-only model on three target domains. Results suggest pre-training with noisy labels from the target domain allows the model to adapt to the dataset-specific characteristics and provides robust parameter initialization while fine-tuning with GS masks allows the model to learn detailed features. This method has wide application to other medical imaging problems where labeled data is scarce, and can be used as a per-dataset calibration method to accelerate wide-scale adoption.

研究の動機と目的

• スキャンプロトコルやハードウェアのばらつきに起因する、多施設FLAIR MRIデータセットにおける側頭室セグメンテーションにおけるドメインシフトを解消すること。
• ターゲットドメインにおけるゴールドスタンダード（GS）アノテーションの不足を補うために、新規の画像処理アルゴリズムを用いて信頼性の高い銀標準（SS）マスクを生成すること。
• 転移学習を用いた、初のFLAIRオンリーディープラーニングベースのLVVセグメンテーションモデルを開発し、一般化性能を向上させること。
• ラベルなしターゲットデータを用いた、施設ごとのAIモデルキャリブレーションを可能にし、広範な臨床応用を加速すること。

提案手法

• ラベルなしFLAIR MRIボリュームにおける側頭室セグメンテーションのための、新規の従来の画像処理ベース（IPB）アルゴリズムを開発し、銀標準（SS）マスクを自動生成した。
• ターゲットドメインデータセット（ADNI、CCNA、ONDRI）からSSマスクを生成し、ソースドメイン（CAIN）のゴールドスタンダード（GS）データを補完した。
• 4つのモデルを訓練および評価した：(1) SS+GS（SSで事前学習、GSで微調整）、(2) GS+SS（GSで事前学習、SSで微調整）、(3) GS CAIN Only、(4) SS Only。
• 転移学習は、高品質なGSアノテーションで微調整する前に、ターゲットドメインのSSマスクで事前学習することで、施設固有の画像特性に適応した。
• SS+GSモデルが最適な構成とされ、ノイズの多いSSラベルによる強固な初期化と、GSデータによる詳細な特徴学習を組み合わせた。
• 性能評価には、Dice類似係数（DSC）、平均ボリューム差、および4つの多施設データセットにおける変動係数（CoV）を用いた。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしターゲットドメインデータから生成された銀標準マスクは、FLAIR MRIにおける側頭室セグメンテーションのドメイン適応を改善できるか？
• RQ2 ターゲットドメインのSSマスクで事前学習し、その後ソースドメインのGSデータで微調整することで、GSオンリーモデルの事前学習に比べて性能が向上するか？
• RQ3 本手法は、DSC、一貫性、および多施設データセットにおける強靭性の観点で、GSオンリーモデルに比べてどのように優れているか？
• RQ4 SSマスクは、スキャナーハードウェア、プロトコル、画像強度分布の違いに起因する共変量シフトをどれほど軽減できるか？
• RQ5 本手法は、ラベル付きデータが限られる他の医療画像AIアプリケーションに対し、施設ごとのキャリブレーションフレームワークとして一般化可能か？

主な発見

• SS+GSモデルは、3つのターゲットデータセットで平均DSC 0.89、変動係数（CoV）0.05を達成し、最高かつ最も一貫性のある性能を示した。
• SS+GSモデルは、3つのターゲットドメインすべてで、GSオンリーモデルに比べ有意に高い（p < 0.05）4%のDSC向上を示した。
• 特に下位および上位スライスにおける小形および形態的に複雑な脳室領域のセグメンテーションにおいて、他の構成よりも優れた性能を示した。
• モデルは最小の平均ボリューム差および最小の分散を示し、高い信頼性と一貫性を示した。
• IPBアルゴリズムは、100ボリュームあたり5〜7分でSSマスクを迅速に生成でき、手作業アノテーションに代わるスケーラブルな代替手段を提供したが、著しい中線シフトが生じる場合は失敗する可能性がある。
• 本研究は、ノイズの多いドメイン固有のSSマスクで事前学習することで、モデルの一般化性能とパラメータ初期化が向上することを確認した。これは、医療画像処理タスクにおいてImageNetスタイルの事前学習を上回る。