[論文レビュー] Fast Infant MRI Skullstripping with Multiview 2D Convolutional Neural Networks

Amod Jog, P. Ellen Grant+5 more|arXiv (Cornell University)|Apr 27, 2019

Neonatal and fetal brain pathology参考文献 37被引用数 5

ひとこと要約

本論文では、冠状、 coronal、矢状のT1強調スライスを用いてトレーニングされた3つの2次元完全畳み込みニューラルネットワークを用いた、高速かつ高精度な乳児MRIのくぼみ除去手法SSCNNを提案する。ネットワークの確率的出力を線形に融合することで最終的な脳マスクを生成し、手動ラベル付けされたデータセットで平均Diceスコア0.97を達成し、30秒未塔の推論時間でGPU上で多様な乳児MRIデータセットに対して高い耐性を示した。

ABSTRACT

Skullstripping is defined as the task of segmenting brain tissue from a full head magnetic resonance image~(MRI). It is a critical component in neuroimage processing pipelines. Downstream deformable registration and whole brain segmentation performance is highly dependent on accurate skullstripping. Skullstripping is an especially challenging task for infant~(age range 0--18 months) head MRI images due to the significant size and shape variability of the head and the brain in that age range. Infant brain tissue development also changes the $T_1$-weighted image contrast over time, making consistent skullstripping a difficult task. Existing tools for adult brain MRI skullstripping are ill equipped to handle these variations and a specialized infant MRI skullstripping algorithm is necessary. In this paper, we describe a supervised skullstripping algorithm that utilizes three trained fully convolutional neural networks~(CNN), each of which segments 2D $T_1$-weighted slices in axial, coronal, and sagittal views respectively. The three probabilistic segmentations in the three views are linearly fused and thresholded to produce a final brain mask. We compared our method to existing adult and infant skullstripping algorithms and showed significant improvement based on Dice overlap metric~(average Dice of 0.97) with a manually labeled ground truth data set. Label fusion experiments on multiple, unlabeled data sets show that our method is consistent and has fewer failure modes. In addition, our method is computationally very fast with a run time of 30 seconds per image on NVidia P40/P100/Quadro 4000 GPUs.

研究の動機と目的

• 生後18か月間の発達に伴う高い解剖学的可変性と変化する組織コントラストのため、乳児MRIにおけるくぼみ除去の課題に対処すること。
• 既存の成人向けや一般向け小児用くぼみ除去ツールが乳児特有のデータに対して劣る状況を改善する手法を開発すること。
• 臨床および研究現場でのリアルタイムまたはニアリアルタイム利用を想定した、高い精度と計算効率を達成すること。
• 最小限の失敗モードで、多施設・多スキャナの乳児MRIデータセットにわたる耐性を確保すること。
• スキャナ上でリアルタイムでの脳検出および視野最適化を可能にするためのデプロイメントを可能にすること。

提案手法

• 冠状、冠状、矢状のT1強調MRIスライスから脳マスクを予測するための、3つの独立した2次元完全畳み込みニューラルネットワークをトレーニングする。
• 各ネットワークは2次元スライスを個別に処理し、脳組織の確率的セグメンテーションマップを出力する。
• 3つの確率的出力を学習された融合重みを用いて線形に組み合わせ、統一された3次元脳マスクを生成する。
• 空間的一致性を確保するため、融合プロセスでは予測を共通の座標空間に再配置した後に平均化を行う。
• 発達に伴う組織コントラストの変化を捉えるために、乳児年齢範囲（0–18か月）をカバーする多様なデータセットでトレーニングを行う。
• GPUアクセcelerationにより推論を高速化し、NVIDIA P40/P100/Quadro 4000 GPUで1スキャンあたり30秒未塔を達成する。

実験結果

リサーチクエスチョン

• RQ1 マルチビュー2次元CNNアプローチは、既存の成人向けや一般向け小児用ツールと比較して、乳児MRIにおけるくぼみ除去の精度を向上させることができるか？
• RQ2 本手法は、異なる取得プロトコルを持つ多施設・多スキャナの乳児MRIデータセットにおいて、どのように性能を発揮するか？
• RQ3 顕著な解剖学的および強度の可変性を示す乳児において、本手法は耐性を保ち、失敗モードを回避できるか？
• RQ4 本手法の計算効率はどの程度で、リアルタイムまたはニアリアルタイムアプリケーションをサポートできるか？
• RQ5 今後のバージョンで、非T1強調コントラストに対応できるように拡張可能か？

主な発見

• SSCNNは、バリデーションデータセットにおいて手動ラベル付けされた正解と比較して平均Dice重複率0.97を達成し、既存のツールを顕著に上回った。
• 多様で多施設・多スキャナのデータセットから数百例の被験者に対して、重大なくぼみ除去の失敗がゼロであった。
• GPUハードウェア上で1スキャンあたり30秒未塔で実行され、次に速いとされるROBEXと比較して約10倍速かった。
• ラベル融合実験により、他の自動化ツールと比較して一貫した性能と低失敗率が確認された。
• 異なるスキャナタイプや取得プロトコルに対しても強力な汎化性能を示し、高い耐性を示した。
• 著者らは、今後のバージョンでクロスシーケンスのデータ拡張を用いてT2強調コントラストに対応する拡張を計画している。