[論文レビュー] Quantifying white matter hyperintensity and brain volumes in heterogeneous clinical and low-field portable MRI

Pablo Laso, Stefano Cerri+22 more|arXiv (Cornell University)|Dec 8, 2023

Advanced Neuroimaging Techniques and Applications被引用数 12

ひとこと要約

WMH-SynthSeg は、再訓練なしで、低磁場のポータブル MRI を含むあらゆる解像度・対比のスキャンから WMH と 36 の脳領域をセグメントする CNN であり、分野間の相関が強いことを示します。

ABSTRACT

Brain atrophy and white matter hyperintensity (WMH) are critical neuroimaging features for ascertaining brain injury in cerebrovascular disease and multiple sclerosis. Automated segmentation and quantification is desirable but existing methods require high-resolution MRI with good signal-to-noise ratio (SNR). This precludes application to clinical and low-field portable MRI (pMRI) scans, thus hampering large-scale tracking of atrophy and WMH progression, especially in underserved areas where pMRI has huge potential. Here we present a method that segments white matter hyperintensity and 36 brain regions from scans of any resolution and contrast (including pMRI) without retraining. We show results on eight public datasets and on a private dataset with paired high- and low-field scans (3T and 64mT), where we attain strong correlation between the WMH ($ρ$=.85) and hippocampal volumes (r=.89) estimated at both fields. Our method is publicly available as part of FreeSurfer, at: http://surfer.nmr.mgh.harvard.edu/fswiki/WMH-SynthSeg.

研究の動機と目的

• 低場ポータブルMRI (pMRI) を含む、解像度と対比が異なる MRI スキャンから WMH と 36 個の脳 ROIs を定量化できるセグメンテーション手法を開発する。
• 再訓練を必要とせず、多様な臨床データに対して正確な体積解析と萎縮評価を可能にする。
• ドメイン乱数化を用いた合成訓練データを活用し、対比および解像度に依存しない性能を達成する。
• 複数の公開データセットと、クロスフィールド妥当性を示す private paired 3T/64mT データセットで評価する。

提案手法

• 合成 MRI ジェネレータを使用して訓練データを生成し、WMH ラベルを一貫して保ちながらランダム化された変形・強度・バイアス場・解像度を適用する。
• 5 レベルの3D U-net をグループ正規化とともに訓練し、マルチタスク損失でセグメンテーションと補助ターゲット（バイアス場と高解像度 T1w 強度）を出力する。
• 損失関数はクロスエントロピー、Dice、および T1w 強度と対数バイアス場の L1 誤差を組み合わせ、WMH 平均に関する事前情報を含めてロバスト性を向上させる。
• テスト時の入力は 1mm 等方スケールにリサンプリングする。左右反転によるテスト時オーグメンテーションを適用し、予測を平均化する。
• モデルは合成データで訓練されるが、実高磁場データセット（例：36 ROIs と WMH）に対して精度を検証する。

Fig. 1 : Input, ground truth, and automated segmentations of a sample high-field scan from the Singapore dataset. The top row shows the high-resolution axial view; the bottom row shows a lower resolution orthogonal view (in sagittal orientation).

実験結果

リサーチクエスチョン

• RQ1 臨床および低場 MRI から再訓練なしで WMH と 36 脳 ROIs を正確にセグメントできるか？
• RQ2 64mT ポータブル MRI を含むさまざまな解像度と対比に対して手法はどの程度性能を発揮するか？
• RQ3 マルチタスク学習と WMH 平均事前情報がセグメンテーションの精度と頑健性に与える影響は？
• RQ4 pMRI 由来の WMH および海馬体積が地上真の高磁場測定とどの程度相関するか？

主な発見

• WMH-SynthSeg は、高磁場データセット全体で解剖学と WMH の Dice スコアが SAMSEG および LST と比較して競合的または優れている。
• WMH-SynthSeg モデル全体（WMH mean prior およびマルチタスク学習を含む）は、FLAIR/1mm データで最も良い WMH Dice (0.62) および解剖 Dice (0.79) を提供し、アブレーションを上回る。
• pMRI 由来体積と高磁場の地上真値との相関は、競合手法より WMH-SynthSeg の方が著しく高い（例: 報告結果では WMH で約 0.75–0.85、海馬で約 0.86）。
• LST は低場データの処理に十分でなく、SAMSEG は対比に依存しないが偽陽性が多い。一方 WMH-SynthSeg は多様な対比から 1mm 等方性解像度で等方性かつ高品質なセグメンテーションを出す。
• 本手法は T1w 画像から WMH セグメンテーションを行い、FLAIR ベースの手法と互換性のある性能を示し、臨床ワークフローでの適用性を拡張する。

Fig. 2 : (a) High-field 1mm isotropic FLAIR from MGH dataset. (b) LST segmentation, used as ground truth for WMH. (c) High-field 1mm T1w. (d) FreeSurfer segmentation of (c), used for ground truth for anatomy. (e) pMRI of the same subject at 2x2x5.8mm axial resolution. (f) WMH-SynthSeg segmentation.