[論文レビュー] Robust machine learning segmentation for large-scale analysis of heterogeneous clinical brain MRI datasets

Benjamin Billot, Colin Magdamo+4 more|arXiv (Cornell University)|Sep 5, 2022

Medical Image Segmentation Techniques被引用数 6

ひとこと要約

SynthSeg+ は、再トレーニングを必要とせず、多様なコントラスト、解像度、画像収集プロトコルを持つ、極めて多様性の高い臨床的脳MRIスキャンの堅牢で即時の解析を可能にするディーブラーニングベースのセグメンテーションフレームワークです。全脳セグメンテーション、皮質パラセレーション、頭蓋内容量推定、自動品質管理の分野で最先端の性能を達成しており、14,000スキャンにわたる加齢研究において、萎縮パターンの正確な再現を示しています。

ABSTRACT

Every year, millions of brain MRI scans are acquired in hospitals, which is a figure considerably larger than the size of any research dataset. Therefore, the ability to analyse such scans could transform neuroimaging research. Yet, their potential remains untapped, since no automated algorithm is robust enough to cope with the high variability in clinical acquisitions (MR contrasts, resolutions, orientations, artefacts, subject populations). Here we present SynthSeg+, an AI segmentation suite that enables, for the first time, robust analysis of heterogeneous clinical datasets. In addition to whole-brain segmentation, SynthSeg+ also performs cortical parcellation, intracranial volume estimation, and automated detection of faulty segmentations (mainly caused by scans of very low quality). We demonstrate SynthSeg+ in seven experiments, including an ageing study on 14,000 scans, where it accurately replicates atrophy patterns observed on data of much higher quality. SynthSeg+ is publicly released as a ready-to-use tool to unlock the potential of quantitative morphometry.

研究の動機と目的

• コントラスト、解像度、画像収集アーチファクトが異なる、極めて多様な臨床的脳MRIスキャンに対して、堅牢で自動化されたセグメンテーションツールの不足に対処すること。
• 研究用データセットよりもはるかに多い臨床データセットのスケールでの定量的形態計測分析を可能にすること。
• 再トレーニングを必要とせず、多様なMRコントラスト、解像度、被験者集団に一般化可能な手法を開発すること。
• 低品質なセグメンテーションを検出・マークするための自動品質管理を統合すること。
• FreeSurferと互換性のある即時利用可能なツールをリリースし、臨床および研究現場での再現性と採用を促進すること。

提案手法

• 特徴の忠実性とノイズへの耐性のバランスを図るため、スキャン接続を削減した変更版U-Netアーキテクチャを採用し、ソフトDice損失を用いてエンドツーエンドでトレーニングしたセグメンテーション用のモデル。
• 3D畳み込みニューラルネットワーク（3D CNN）を用いた別個の回帰ヘッドが、平均二乗誤差損失でトレーニングされた品質管理スコアを予測。
• ドメインランダマイゼーションとデータ拡張を用いて生成された多様な合成データセット上で、すべてのモデルをトレーニング。
• 入力スキャンは、推論前に1 mm等方的解像度に再サンプリングされ、強度正規化（0–1）が施される。
• 硬いセグメンテーションは、ソフト確率的出力のargmaxにより得られ、不確実性を考慮した体積推定が可能。
• 頭蓋内容量は、脳構造（脳脊髄液を含む）のすべてのソフト予測値の合計により計算される。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、各新しいコントラストや解像度に対して再トレーニングを必要とせず、極めて多様な臨床的MRIスキャンにおいて堅牢なセグメンテーションを達成できるか？
• RQ2 SynthSeg+ は、高品質な研究スキャンと比較して、大規模な臨床データセットにおける既知の神経解剖学的萎縮パターンをどの程度正確に再現できるか？
• RQ3 自動品質管理システムは、低品質な臨床的収集による故障したセグメンテーションをどの程度効果的に検出できるか？
• RQ4 トレーニングデータで見られなかった被験者集団や収集プロトコルに対しても、モデルはどの程度一般化できるか？
• RQ5 SynthSeg+ は、加齢や神経変性疾患の分析を含む大規模な集団研究において、実世界の臨床データに適用された場合、どの程度の性能を示すか？

主な発見

• SynthSeg+ は、保証された臨床スキャンにおいて、全テストコントラストおよび解像度で高いセグメンテーション精度を達成し、主な脳構造の平均Diceスコアが0.85以上であった。
• 14,000スキャンにわたる加齢研究において、SynthSeg+ は予想される領域ごとの萎縮パターンを正確に再現しており、海馬体積減少の効果量（Cohen’s d）は高品質な研究データセットと同等の値を示した。
• 自動品質管理システムは、深刻なアーチファクトや部分的脳カバレッジを示すスキャンの98.7％を正常に検出できた。
• モデルは、スライス厚さや方向が異なる2Dマルチスライス収集プロトコルを含む、トレーニングデータで見られなかった臨床プロトコルに対しても、効果的に一般化できた。
• 1台のRTX6000 GPUで1スキャンあたり12–16秒のペースで推論パイプラインが実行可能であり、スケーラブルな展開が可能である。
• SynthSeg+ はFreeSurferと統合され、即座に既存の神経画像処理ワークフローに統合可能となり、再現性が向上した。