[論文レビュー] FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain

Mostafa Mehdipour Ghazi, Mads Nielsen|arXiv (Cornell University)|Aug 30, 2022

Brain Tumor Detection and Classification被引用数 7

ひとこと要約

FAST-AID Brainは、直交する2次元MRI画像の階層的ソフトマックス融合と弱教師あり学習を用いた、新規のU-Netに類似したアーキテクチャを採用した、高速で正確かつ頑健な深層学習ベースの脳画像分離ツールを提案する。この手法は、内部および外部のデータセットにおいて最先端の性能を達成しており、1スキャンあたり40秒未塔の推論時間を実現している。また、前処理手順を排除し、アーチファクトやドメインシフトに対しても正確な頭蓋内容積（ICV）推定が可能である。

ABSTRACT

Medical images used in clinical practice are heterogeneous and not the same quality as scans studied in academic research. Preprocessing breaks down in extreme cases when anatomy, artifacts, or imaging parameters are unusual or protocols are different. Methods robust to these variations are most needed. A novel deep learning method is proposed for fast and accurate segmentation of the human brain into 132 regions. The proposed model uses an efficient U-Net-like network and benefits from the intersection points of different views and hierarchical relations for the fusion of the orthogonal 2D planes and brain labels during the end-to-end training. Weakly supervised learning is deployed to take the advantage of partially labeled data for the whole brain segmentation and estimation of the intracranial volume (ICV). Moreover, data augmentation is used to expand the magnetic resonance imaging (MRI) data by generating realistic brain scans with high variability for robust training of the model while preserving data privacy. The proposed method can be applied to brain MRI data including skull or any other artifacts without preprocessing the images or a drop in performance. Several experiments using different atlases are conducted to evaluate the segmentation performance of the trained model compared to the state-of-the-art, and the results show higher segmentation accuracy and robustness of the proposed model compared to the existing methods across different intra- and inter-domain datasets.

研究の動機と目的

• 異なる品質、アーチファクト、スキャンプロトコルを有する多様なMRIデータに一般化可能な高速で正確な脳画像分離手法の開発。
• 従来のアトラスベースおよび深層学習手法の限界（高い計算コスト、一般化性能の低さ、前処理への感受性）を克服すること。
• 完全な手動ラベルなしで部分的にラベルが付与されたデータを用いた弱教師あり学習により、神経変性疾患研究におけるバイアスを低減する頭蓋内容積（ICV）推定の正確化。
• 実際の高可変性を持つMRIデータ拡張を用いることでドメインシフトに対するモデルの頑健性を向上させつつ、データプライバシーを損なわないこと。
• 頭蓋骨除去、バイアスフィールド補正、アライメント処理の必要性を排除し、アーチファクトを含む全脳MRIスキャンを直接分離できるモデルの学習。

提案手法

• モデルは、直交する2次元スライス（ coronal, axial, sagittal ）をエンドツーエンドで学習する、効率的なU-Netに類似したアーキテクチャを採用し、視点間の予測を階層的ソフトマックスで統合する。
• 異なる視点の交差点と階層的ラベル関係を活用することで、空間的一致性と分離精度を向上させる。
• 欠損ラベル（例：頭蓋内腔）を有するボクセルに弱教師あり学習を適用し、完全な手動ラベルなしでICV推定を可能にする。
• 実際的で多様性の高いMRIスキャンを生成するデータ拡張戦略を採用し、ドメイン間でのモデルの頑健性と一般化性能を向上させる。
• 頭蓋骨除去、バイアスフィールド補正、アライメントなどの前処理手順を回避し、アーチファクトを含む生スキャンに対して直接推論を可能にする。
• 複数の視点からの2次元スライスをエンドツーエンドで学習し、3次元コンテキストを保持しつつ計算効率を維持するように、特徴統合と損失最適化を設計する。

実験結果

リサーチクエスチョン

• RQ1 前処理やアライメントなしで、多様で現実的なMRIスキャンにおいても高い分離精度と頑健性を達成できるか？
• RQ2 部分的なラベルしか入手できない状況下で、弱教師あり学習が頭蓋内容積（ICV）推定にどの程度有効であるか？
• RQ3 実際の合成MRIスキャンを用いたデータ拡張は、画像品質やアーチファクトの異なるドメイン間での一般化性能をどの程度向上させるか？
• RQ4 直交する2次元ビュー間の階層的ソフトマックス統合は、標準的な2次元または3次元アプローチと比較して、分離精度をどの程度向上させるか？
• RQ5 複数の2次元ビューを用いた2.5次元アプローチは、メモリ集約的な3次元学習を回避し、従来の3次元CNNやパッチベース手法に比べて速度と精度で優れるか？

主な発見

• 複数の内部および外部データセットにおいて、最先端の手法を上回る高い分離精度を達成し、ドメインシフトに対しても優れた頑健性を示した。
• NVIDIA GeForce RTX 2070 GPU上での1スキャンあたりの平均推論時間は40秒未塔であり、高速性を実証した。
• 頭蓋骨、アーチファクト、低コントラストを含むスキャンに対しても、前処理を要せず高い性能を維持した。これはADNIデータに見られる一般的な課題に対しても有効であった。
• 弱教師ありICV推定手法は、従来の手法よりも正確なICV推定を実現し、脳容積正規化におけるバイアスを低減した。
• データ拡張戦略により、高可変性で非常に現実的なMRIスキャンが生成され、モデルの一般化性能とドメインシフトに対する頑健性が顕著に向上した。
• 132脳領域すべてにおいて高いDice類似度スコアを達成し、ADNIデータセットからの困難で低品質なスキャンに対しても安定した性能を示した。