[論文レビュー] Evaluating U-net Brain Extraction for Multi-site and Longitudinal Preclinical Stroke Imaging

Erendiz Tarakci, Joseph B. Mandeville+16 more|arXiv (Cornell University)|Mar 10, 2022

Cell Image Analysis Techniques被引用数 4

ひとこと要約

本研究では、多施設・縦断的前臨床脳卒中MRIデータにおける自動マウス脳抽出のためのU-net畳み込みニューラルネットワークを評価した。6施設および2時点のT2およびADCマップを含む240例のマルチモodal MRIデータで訓練されたU-netは、多様なスキャナーやコントラスト、病変に対しても頑健な一般化性能を示し、95–97%の精度を達成した。ルールベース手法を上回り、前臨床脳卒中研究における高スループットで信頼性の高いパイプライン統合を可能にした。

ABSTRACT

Rodent stroke models are important for evaluating treatments and understanding the pathophysiology and behavioral changes of brain ischemia, and magnetic resonance imaging (MRI) is a valuable tool for measuring outcome in preclinical studies. Brain extraction is an essential first step in most neuroimaging pipelines; however, it can be challenging in the presence of severe pathology and when dataset quality is highly variable. Convolutional neural networks (CNNs) can improve accuracy and reduce operator time, facilitating high throughput preclinical studies. As part of an ongoing preclinical stroke imaging study, we developed a deep-learning mouse brain extraction tool by using a U-net CNN. While previous studies have evaluated U-net architectures, we sought to evaluate their practical performance across data types. We ask how performance is affected with data across: six imaging centers, two time points after experimental stroke, and across four MRI contrasts. We trained, validated, and tested a typical U-net model on 240 multimodal MRI datasets including quantitative multi-echo T2 and apparent diffusivity coefficient (ADC) maps, and performed qualitative evaluation with a large preclinical stroke database (N=1,368). We describe the design and development of this system, and report our findings linking data characteristics to segmentation performance. We consistently found high accuracy and ability of the U-net architecture to generalize performance in a range of 95-97% accuracy, with only modest reductions in performance based on lower fidelity imaging hardware and brain pathology. This work can help inform the design of future preclinical rodent imaging studies and improve their scalability and reliability.

研究の動機と目的

• 多施設・縦断的ラット脳卒中MRIデータ向けに、頑健で自動化された脳抽出ツールの開発を目的とする。
• U-netアーキテクチャの一般化性能を、異なるMRIスキャナー、コントラスト（T2、ADC）、脳卒中発症後の時間点で評価すること。
• 病理的または不均一なデータで失敗するルールベースの脳抽出ツールの限界を克服すること。
• 多施設前臨床脳卒中研究における高スループットでスケーラブルかつ再現性のある神経画像処理パイプラインの実現を目的とする。
• 単一チャネルU-netモデルがマルチチャネル性能に匹敵できるかどうかを評価し、プロトコルの柔軟性を支援すること。

提案手法

• 定量的マルチエコーT2および顕著拡散係数（ADC）マップを含む240例のマルチモダリティMRIデータでU-net CNNを訓練した。
• 性能評価を目的に、マルチチャネルU-net（M-full-multi）とシングルチャネルバージョン（M-full-single）を用いた。
• 6か所の画像診断センターからのデータでモデルを訓練し、トレーニングセットに含まれない施設のデータを用いて一般化性能をテストした（例：半分の施設でトレーニング・半分でテスト）。
• マニュアルベースラインとの一致度を定量化するため、Dice類似係数（DSC）を主な指標として用いた。
• SPAN研究の1,368例のスキャンに対して定性的な評価を実施し、重度の病変や運動アーチファクトを含むケースも含めた。
• 特定の施設や個々のコントラストのサブセットで訓練された制限付きモデルを用いたアブレーションスタディを実施し、耐性および転送可能性を評価した。

実験結果

リサーチクエスチョン

• RQ1 多施設前臨床脳卒中イメージングにおいて、U-netの性能は異なるMRIスキャナーおよび磁場強度でどのように変化するか？
• RQ2 脳病変および形態異常（例：脳卒中発症後2日目）は、U-netのセグメンテーション精度にどのように影響するか？
• RQ3 単一のU-netモデルが、T2およびADCという複数のMRIコントラストと、発症後早期と遅くの時間点を効果的に一般化できるか？
• RQ4 変動するデータ品質の下で、マルチチャネルとシングルチャネルU-netアーキテクチャの性能はどのように比較されるか？
• RQ5 今後の多施設研究において、一部の施設のデータで訓練されたU-netが、未観測の新しい施設にどれほど一般化できるか？

主な発見

• U-netは、変動する画像品質や病変の影響を受けても最小限の性能低下で、全テスト条件下で95–97%のDice類似係数（DSC）を達成した。
• マルチチャネルU-net（M-full-multi）はDSC 0.957、シングルチャネルバージョン（M-full-single）はDSC 0.954を記録し、ほぼ同一の性能を示した。
• 発症後早期（2日後）から遅く（30日後）にかけて性能が向上し、後期段階では脳の形態がより規則的で浮腫が減少したためと推定される。
• ルールベースの脳抽出で失敗した206例のケースすべてで100%の成功率を維持し、重度の病変に対しても頑健であることを示した。
• 半数の施設で訓練された制限付きモデルは、残りの半数の施設に対しても良好に一般化し、平均DSCはマルチチャネルで0.953、シングルチャネルで0.954を記録した。これは強力な転送可能性を示している。
• T2またはADCの1つのコントラストでのみ訓練されたモデルでも、依然として頑健な性能を示し、T2ベースラインで最低DSC 0.935を記録した。これはコントラスト間一般化の有効性を確認した。