[論文レビュー] Information-based Disentangled Representation Learning for Unsupervised MR Harmonization

Lianrui Zuo, Blake E. Dewey+5 more|arXiv (Cornell University)|Mar 24, 2021

Advanced MRI Techniques and Applications参考文献 28被引用数 6

ひとこと要約

本論文では、情報ボトルネック理論に基づく非教師付きMR対比統一フレームワークCALAMITIを提案する。この手法は、サイト間ペairedデータを必要とせず、多施設MR画像変換のための分離可能な潜在空間を学習する。イントラサイトのT1およびT2強調画像ペアと統合アーキテクチャを活用することで、統一精度と一般化性能において最先端の結果を達成し、微調整により新しいサイトへのゼロショット適応が可能である。

ABSTRACT

Accuracy and consistency are two key factors in computer-assisted magnetic resonance (MR) image analysis. However, contrast variation from site to site caused by lack of standardization in MR acquisition impedes consistent measurements. In recent years, image harmonization approaches have been proposed to compensate for contrast variation in MR images. Current harmonization approaches either require cross-site traveling subjects for supervised training or heavily rely on site-specific harmonization models to encourage harmonization accuracy. These requirements potentially limit the application of current harmonization methods in large-scale multi-site studies. In this work, we propose an unsupervised MR harmonization framework, CALAMITI (Contrast Anatomy Learning and Analysis for MR Intensity Translation and Integration), based on information bottleneck theory. CALAMITI learns a disentangled latent space using a unified structure for multi-site harmonization without the need for traveling subjects. Our model is also able to adapt itself to harmonize MR images from a new site with fine tuning solely on images from the new site. Both qualitative and quantitative results show that the proposed method achieves superior performance compared with other unsupervised harmonization approaches.

研究の動機と目的

• ドメインシフトのため、サイト間でMR画像対比が変動することによる機械学習モデル性能の低下という課題に対処すること。
• 移動被験者やサイト間ペairedデータを必要とする従来の教師あり統一手法の限界を克服すること。
• すべてのドメインで再トレーニングを行わずに、新しいサイトに一般化可能な非教師付きアプローチを開発すること。
• 新しいサイトのデータのみを用いた微調整によって、以前に観測されていなかったサイトのドメイン適応を可能にすること。
• サイト固有の識別器に依存せずに、幾何的シフトに強く、高い画像品質を維持すること。

提案手法

• 情報ボトルネック理論に基づく統合フレームワークCALAMITIを提案し、ドメイン不変の解剖学的要因とドメイン特異的な強調要因を分離する潜在表現を学習する。
• サイト内ペアのT1およびT2強調MR画像を用いて分離を監視し、サイト間ペアデータに依存しないようにする。
• 潜在空間におけるコンテンツ（解剖学的構造）と強調（対比）要因を分離する分離ボトルネックモジュールを統合する。
• すべてのサイトで共通のエンコーダ・デコーダ構造を用いたサイクル整合性のある画像間変換損失を導入し、一貫性を強制する。
• サイトに依存しない識別器（β識別器）を採用し、分離をガイドするとともに、変換の忠実度を向上させる。
• 新しいサイトの画像のみを用いた微調整により、ゼロショットドメイン適応を実現し、すべてのソースドメインで再トレーニングを行わずに済ませる。

実験結果

リサーチクエスチョン

• RQ1 非教師付きMR統一手法は、サイト間ペアデータを必要とせずに最先端の性能を達成できるか？
• RQ2 複数サイトでトレーニングされた統合モデルが、新しい未観測サイトに、そのサイトのデータのみを用いた微調整で一般化できるか？
• RQ3 情報ボトルネック理論に基づく分離表現学習は、統一品質の向上と幾何的シフトの低減に寄与するか？
• RQ4 明示的なドメイン特異的コンponentを用いずに、多様なMR対比およびスキャナ設定に対し、高い忠実度と一貫性を維持できるか？
• RQ5 本手法は、複数サイト設定における既存の非教師付き統一道従手法と定量的・定性的に比較して、どのように優れているか？

主な発見

• CALAMITIは、全テスト対象のサイト間統一タスクにおいて最高のSSIMとPSNRを達成し、平均SSIM 0.8663 ± 0.0233（Site D → C）およびPSNR 28.68 ± 1.28（Site F → E）を記録し、すべてのベースラインを上回った。
• 新しいサイトで微調整を行った後、統一品質に顕著な向上が見られ、対応したWilcoxon符号順位検定（N=420）のp値は0.001未満であった。
• ドメイン適応実験では、SSIMが0.8729 ± 0.0301から0.8743 ± 0.0291（Site C → D）に、PSNRが29.01 ± 1.07から29.41 ± 0.98に向上し、効果的な適応が示された。
• 視覚的結果から、多様なスキャナ対比およびサイト間で、現実的で解剖学的に一貫性のある統一画像が生成された。
• すべてのドメインで再トレーニングを行わず、単一サイトのデータでの微調整のみで、新しいサイトへの一般化が良好に達成された。
• MS患者の白質病変の統一においては限界が見られ、FLAIR対比の統合によりさらなる改善が期待できる。