[論文レビュー] QuickNAT: A Fully Convolutional Network for Quick and Accurate Segmentation of Neuroanatomy

Abhijit Guha Roy, Sailesh Conjeti+2 more|arXiv (Cornell University)|Jan 12, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 3被引用数 11

ひとこと要約

QuickNAT は、既存のソフトウェアから自動的に生成された補助ラベルを事前学習し、手動アノテーションで微調整することで、全脳 MRI スキャンをたったの 20 秒で、最先端の正確性を達成する完全畳み込み型で密接に接続されたニューラルネットワークです。限られたラベル付きデータでも高いパフォーマンスを発揮し、大規模な神経画像解析を加速します。

ABSTRACT

Whole brain segmentation from structural magnetic resonance imaging (MRI) is a prerequisite for most morphological analyses, but is computationally intense and can therefore delay the availability of image markers after scan acquisition. We introduce QuickNAT, a fully convolutional, densely connected neural network that segments a evision{MRI brain scan} in 20 seconds. To enable training of the complex network with millions of learnable parameters using limited annotated data, we propose to first pre-train on auxiliary labels created from existing segmentation software. Subsequently, the pre-trained model is fine-tuned on manual labels to rectify errors in auxiliary labels. With this learning strategy, we are able to use large neuroimaging repositories without manual annotations for training. In an extensive set of evaluations on eight datasets that cover a wide age range, pathology, and different scanners, we demonstrate that QuickNAT achieves superior segmentation accuracy and reliability in comparison to state-of-the-art methods, while being orders of magnitude faster. The speed up facilitates processing of large data repositories and supports translation of imaging biomarkers by making them available within seconds for fast clinical decision making.

研究の動機と目的

• 全脳 MRI 分割における計算上のボトル neck を解消し、形態的画像バイオマーカーの可用性を遅らせないことを目的とする。
• 限られた手動アノテーション付きデータを用いても、大規模なラベルなし神経画像リポジトリを活用することで、高精度な分割を実現することを目的とする。
• 従来の最先端手法よりも著しく高速でありながら、非常に高い正確性を発揮する手法を開発することを目的とする。
• 分類処理時間を数時間から数秒に短縮することで、臨床的意思決定を迅速化することを目的とする。
• リアルタイム処理により、画像バイオマーカーを臨床ワークフローに効果的に統合することを目的とする。

提案手法

• モデルは、エンドツーエンドの 3D MRI 分割を目的とした完全畳み込み型で、密接に接続されたニューラルネットワークである。
• 2段階のトレーニング戦略を採用：まず、既存のセグメンテーションソフトウェア（例：FreeSurfer や FSL）から生成された補助ラベルを用いた事前学習。
• 事前学習済みモデルを、より小さな手動アノテーション付き MRI スキャンのセットで微調整することで、補助ラベル内の誤りを是正する。
• 自己教師あり事前学習アプローチにより、事前学習に手動アノテーションを必要とせず、大規模な神経画像リポジトリを効果的に活用できる。
• 密なスキップ接続により、空間的一致性と高解像度の特徴学習を実現するフルボクセル予測が可能となる。
• 標準的なディープラーニング損失関数を用い、スキャナーや疾患状態の違いを考慮したデータ拡張により、一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込み型ネットワークは、20 秒未満の推論速度を維持しながら、全脳 MRI に対して高いセグメンテーション正確性を達成できるか？
• RQ2 自動的に生成された補助ラベルを用いた事前学習が、限られた手動アノテーションしか利用できない状況で、性能を著しく向上させられるか？
• RQ3 2段階トレーニング戦略（合成ラベルでの事前学習 → 手動ラベルでの微調整）は、多様なデータセットにわたる一般化性能を向上させるか？
• RQ4 年齢層、疾患状態、MRI スキャナータイプの違いを考慮した場合、QuickNAT は最先端手法と比較して正確性、速度、耐性の面で優れているか？
• RQ5 このような手法により、臨床的および研究的応用のための大規模な神経画像リポジトリのリアルタイム処理が可能になるか？

主な発見

• QuickNAT は単一の GPU で全脳セグメンテーションを 20 秒で実行し、従来手法と比べて1桁の速度向上を達成している。
• 年齢層、疾患状態、MRI スキャナータイプの多様な8つのデータセットにおいて、優れたセグメンテーション正確性を示している。
• 補助ラベルでの事前学習と手動アノテーションでの微調整という2段階トレーニング戦略は、限られたデータから直接学習する場合と比較して、性能が向上している。
• 画像アーチファクトや病的変化が存在する場合でも、さまざまな神経解剖学的構造において高い信頼性と一貫性を維持している。
• 大規模な神経画像リポジトリのスケーラブルな処理を可能にし、臨床的意思決定支援のための画像バイオマーカーを数秒で入手可能としている。
• 正確性と推論速度の両面で、最先端の手法を上回っており、迅速かつ正確な神経解剖学的セグメンテーションの新基準を確立している。