[論文レビュー] MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation

Marta Bianca Maria Ranzini, Lucas Fidon+3 more|arXiv (Cornell University)|Mar 21, 2021

Fetal and Pediatric Neurological Disorders参考文献 2被引用数 21

ひとこと要約

本稿では、脊椎裂離症症例における胎児脳MRI画像のセグメンテーションを目的とした、MONAIフレームワークを用いた1段階型2次元UNetベースの深層学習モデル、MONAIfbsを提案する。複数施設のデータで訓練された本モデルは、従来の2段階パイプラインを上回る優れた性能を発揮し、Diceスコアの向上と外れ値の低減により、手動補正の必要性を削減する。

ABSTRACT

In fetal Magnetic Resonance Imaging, Super Resolution Reconstruction (SRR) algorithms are becoming popular tools to obtain high-resolution 3D volume reconstructions from low-resolution stacks of 2D slices, acquired at different orientations. To be effective, these algorithms often require accurate segmentation of the region of interest, such as the fetal brain in suspected pathological cases. In the case of Spina Bifida, Ebner, Wang et al. (NeuroImage, 2020) combined their SRR algorithm with a 2-step segmentation pipeline (2D localisation followed by a 2D segmentation network). However, if the localisation step fails, the second network is not able to recover a correct brain mask, thus requiring manual corrections for an effective SRR. In this work, we aim at improving the fetal brain segmentation for SRR in Spina Bifida. We hypothesise that a well-trained single-step UNet can achieve accurate performance, avoiding the need of a 2-step approach. We propose a new tool for fetal brain segmentation called MONAIfbs, which takes advantage of the Medical Open Network for Artificial Intelligence (MONAI) framework. Our network is based on the dynamic UNet (dynUNet), an adaptation of the nnU-Net framework. When compared to the original 2-step approach proposed in Ebner-Wang, and the same Ebner-Wang approach retrained with the expanded dataset available for this work, the dynUNet showed to achieve higher performance using a single step only. It also showed to reduce the number of outliers, as only 28 stacks obtained Dice score less than 0.9, compared to 68 for Ebner-Wang and 53 Ebner-Wang expanded. The proposed dynUNet model thus provides an improvement of the state-of-the-art fetal brain segmentation techniques, reducing the need for manual correction in automated SRR pipelines. Our code and our trained model are made publicly available at https://github.com/gift-surg/MONAIfbs.

研究の動機と目的

• 局在化に失敗した場合に機能しない2段階パイプラインの限界を解消すること。
• 胎児MRIのスーパー解像再構成（SRR）パイプラインにおける手動補正への依存度を低減すること。
• 2つの異なる臨床施設のデータで学習させることで、ドメインシフトに対する耐性を高めること。
• 正確な胎児脳セグメンテーションを実現する1段階的でエンドツーエンドの深層学習モデルを開発すること。

提案手法

• 最適な構成を得るため、nnU-Netのヒューリスティックルールに基づいてMONAI動的UNet（dynUNet）アーキテクチャを適合させた。
• Dice損失と交差エントロピー損失の組み合わせを用いて、[448, 512]サイズの2次元パッチでモデルを訓練した。
• 3次元空間での検証において、主たる指標として3次元Diceスコアを用い、最良のモデルスナップショットを選択した。
• セグメンテーションマスクの精緻化のため、最大連結成分の選択による後処理を実施した。
• 複数施設のデータセットで学習：UZL（ルーヴェーン）から604スタック、MUW（ウィーン）から106スタックを用い、ドメイン一般化性を向上させた。
• 再現可能性およびコミュニティ利用を目的として、トレーニング済みモデルとコードをGitHubで公開した。

実験結果

リサーチクエスチョン

• RQ1 1段階型UNetモデルは、脊椎裂離症症例における胎児脳セグメンテーションで、従来の2段階パイプラインを上回ることができるか？
• RQ2 複数施設のデータで学習させることで、胎児MRI画像のセグメンテーションにおけるドメインシフトへの耐性が向上するか？
• RQ3 提案手法は、手動補正が必要なセグメンテーション外れ値の数をどの程度低減できるか？
• RQ4 MONAIベースの実装は、最小限の後処理で最先端の性能を達成できるか？

主な発見

• 提案されたMONAIfbsモデルは、テストセットにおいて、元の2段階アプローチおよび再訓練済み2段階アプローチの両方を上回る高い3次元Diceスコアを達成した。
• 323個のテストスタックのうち、Diceスコアが0.9未満のものは28例にとどまり、元のEbner-Wangモデルでは68例、再訓練版では53例であった。
• 1段階型のdynUNetモデルは、元の2段階パイプラインと比較して、外れ値の数を50％以上削減した。
• 複数施設での学習のおかげで、施設間での一般化性能が向上し、ドメインシフトに対して強い耐性を示した。
• 3次元検証と3次元Diceスコアを主たる選択指標として用いることで、2次元のみの学習・評価に比べてより良好な一般化性能が得られた。
• 最大連結成分の選択による後処理は、正確性を損なわず、小さな誤検出領域を効果的に除去できた。