[論文レビュー] Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and no Retraining

Benjamin Billot, Magdamo Colin+3 more|arXiv (Cornell University)|Mar 3, 2022

Medical Image Segmentation Techniques被引用数 4

ひとこと要約

本論文では、再トレーニングを必要とせず、臨床現場における多様な脳MRIスキャンに対して頑健なセグメンテーションを実現する階層的CNNフレームワーク、SynthSeg+を提案する。条件付きセグメンテーションとデノイジングネットワークの級列を統合することで、SynthSegに比べて低SNRおよび低コントラストスキャンでの誤差を最大23.5 Diceポイントまで低減し、高品質な研究スキャンで観察される萎縮パターンを正確に再現する。

ABSTRACT

Retrospective analysis of brain MRI scans acquired in the clinic has the potential to enable neuroimaging studies with sample sizes much larger than those found in research datasets. However, analysing such clinical images "in the wild" is challenging, since subjects are scanned with highly variable protocols (MR contrast, resolution, orientation, etc.). Nevertheless, recent advances in convolutional neural networks (CNNs) and domain randomisation for image segmentation, best represented by the publicly available method SynthSeg, may enable morphometry of clinical MRI at scale. In this work, we first evaluate SynthSeg on an uncurated, heterogeneous dataset of more than 10,000 scans acquired at Massachusetts General Hospital. We show that SynthSeg is generally robust, but frequently falters on scans with low signal-to-noise ratio or poor tissue contrast. Next, we propose SynthSeg+, a novel method that greatly mitigates these problems using a hierarchy of conditional segmentation and denoising CNNs. We show that this method is considerably more robust than SynthSeg, while also outperforming cascaded networks and state-of-the-art segmentation denoising methods. Finally, we apply our approach to a proof-of-concept volumetric study of ageing, where it closely replicates atrophy patterns observed in research studies conducted on high-quality, 1mm, T1-weighted scans. The code and trained model are publicly available at https://github.com/BBillot/SynthSeg.

研究の動機と目的

• 多様なコントラスト、解像度、画像品質を有する臨床的脳MRIスキャンの高変動性に起因するセグメンテーションの課題を解決すること。
• 再トレーニングを要せず、低SNRまたは低コントラストスキャンで失敗する既存のディーブラーニング手法の限界を克服すること。
• 大規模な臨床データセットと互換性があり、集団レベルの神経画像研究に適したスケーラブルで汎用的なセグメンテーションフレームワークを開発すること。
• 高品質な研究スキャンと同等の結果を得られる、実世界の臨床データにおける脳萎縮の正確なボリュメトリック解析を可能にすること。

提案手法

• 本手法は、初期セグメンテーションネットワークS1とリファインメントネットワークS2の2段階からなる階層的アーキテクチャを採用し、両者とも入力MRIに条件付けられている。
• S1とS2の間に、事前知識を活用しノイズ由来のアーチファクトを低減することで予測品質を向上させる専用のデノイジングCNN Dを統合している。
• 合成MRIデータを用いたドメインランダマイゼーションにより、フレームワーク全体をエンドツーエンドでトレーニングし、微調整なしに多様なコントラストや解像度に一般化可能である。
• 各ネットワークが入力スキャンと中間出力を用いて段階的にセグメンテーションを改善する、条件付き予測を活用している。
• デノイザーDは、入力画像と予測マスクの両方から学習することで、より正確なセグメンテーションを予測し、トポロジカルな一貫性を向上させる。
• 本フレームワークは、新しいプロトコルに適応するための再トレーニングや調整なしに、任意の臨床スキャンで即座に推論可能である。

実験結果

リサーチクエスチョン

• RQ1 ディーブラーニングベースのセグメンテーション手法は、再トレーニングなしに、極めて多様な臨床的脳MRIスキャンにおいても頑健な性能を達成できるか？
• RQ2 セグメンテーションとデノイジングを組み合わせた階層的アーキテクチャは、標準的な級列ネットワークと比較して、低SNRおよび低コントラストスキャンにおける頑健性をどのように向上させるか？
• RQ3 再トレーニングなしのアプローチは、高品質な研究データセットで観察される萎縮パターンをどの程度正確に再現できるか？
• RQ4 推論パイプライン内にデノイザーを統合することで、後処理によるデノイジングと比較して、セグメンテーションの正確性とトポロジカルな一貫性が向上するか？

主な発見

• SynthSeg+は、『Big Fails』（深刻なセグメンテーション誤差）と分類されたスキャンにおいて、SynthSegに比べて23.5 Diceポイントの改善を達成し、画像品質が悪い状況でも極めて頑健であることが示された。
• 後処理によるデノイジングと比較して、平均表面距離（MSD）は少なくとも0.35 mm低減され、Diceスコアは3ポイント向上し、幾何的正確性が優れていることが示された。
• 正解ラベルが付与された500スキャンにおいて、SynthSeg+はSynthSegおよび級列ネットワーク（S1+S2）を上回ったが、特に低解像度および低コントラストスキャンで顕著な優位性を示した。
• 10,000件の臨床スキャンを用いた加齢に伴う萎縮のボリュメトリック研究では、SynthSeg+が、1 mm等方的の高品質なT1強調研究スキャンと類似した皮質および海馬の萎縮経路を再現した。
• 特に低解像度スキャンにおいて、SynthSegおよび級列ネットワークと比較して、外れ値レートが顕著に低減され、集団研究における統計的パワーが向上した。
• デノイザーDをネットワーク階層内に統合することで、後処理ステップとして実装する場合と比較して、より正確で解剖学的に妥当なセグメンテーションが得られた。