[論文レビュー] SynthSeg: Domain Randomisation for Segmentation of Brain MRI Scans of any Contrast and Resolution

Benjamin Billot, Douglas N. Greve+6 more|arXiv (Cornell University)|Jul 20, 2021

Domain Adaptation and Few-Shot Learning参考文献 105被引用数 14

ひとこと要約

SynthSegは、再訓練を必要とせず、あらゆるコントラストや解像度に一般化するドメインランダマイズド畳み込みニューラルネットワークを提案する。合成データを完全にランダムなパラメータで訓練することで、6モodal、10解像度の5,500スキャンにわたる最新の一般化性能を達成し、教師ありCNN、テスト時適応、ベイジアンセグメンテーションを上回る。

ABSTRACT

Despite advances in data augmentation and transfer learning, convolutional neural networks (CNNs) have difficulties generalising to unseen target domains. When applied to segmentation of brain MRI scans, CNNs are highly sensitive to changes in resolution and contrast: even within the same MR modality, decreases in performance can be observed across datasets. We introduce SynthSeg, the first segmentation CNN agnostic to brain MRI scans of any contrast and resolution. SynthSeg is trained with synthetic data sampled from a generative model inspired by Bayesian segmentation. Crucially, we adopt a extit{domain randomisation} strategy where we fully randomise the generation parameters to maximise the variability of the training data. Consequently, SynthSeg can segment preprocessed and unpreprocessed real scans of any target domain, without retraining or fine-tuning. Because SynthSeg only requires segmentations to be trained (no images), it can learn from label maps obtained automatically from existing datasets of different populations (e.g., with atrophy and lesions), thus achieving robustness to a wide range of morphological variability. We demonstrate SynthSeg on 5,500 scans of 6 modalities and 10 resolutions, where it exhibits unparalleled generalisation compared to supervised CNNs, test time adaptation, and Bayesian segmentation. The code and trained model are available at this https URL.

研究の動機と目的

• 未知のドメイン（異なるコントラストや解像度を有する）に適用された際の脳MRIセグメンテーションにおけるCNNの一般化性能の低さという課題に対処すること。
• 同じMRIモダリティ内でもデータセット間で性能が低下する教師ありCNNの限界を克服すること。
• コントラスト、解像度、前処理レベルといった入力スキャンの特徴に依存しないセグメンテーションモデルの開発。
• 実画像ペアやペアデータを必要とせず、ラベルマップのみを用いてトレーニングを可能にし、萎縮や病変を含む病理的変異を有する多様なデータセットの統合。
• ファインチューニングやドメイン適応を一切行わずに、広範な形態的および画像的変動にわたる頑健なセグメンテーション性能を達成すること。

提案手法

• ベイジアンにインspiredされた生成モデルから生成された合成MRIスキャンを用いて、セグメンテーションCNNをトレーニングする。
• 合成データ作成時にすべての生成パラメータを完全にランダム化することでドメインランダマイゼーションを適用し、トレーニングデータの多様性を最大化する。
• 実画像ペアやペairedデータを必要とせず、セグメンテーションラベルマップのみを用いてトレーニングする。
• トレーニング中に極端な変化にさらされることで、モデルが入力解像度やコントラストに対して不変であるように設計する。
• 生成段階でのデータオーグメンテーションを通じて、合成データの分布を活用し、ドメイン不変特徴を暗黙的に学習する。
• ファインチューニングなしに、あらゆるターゲットドメインの前処理済みおよび未処理の実スキャンにも一般化できるように保証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、再訓練を伴わず、多様な脳MRIコントラストおよび解像度にわたって頑健な一般化を達成できるか？
• RQ2 標準的なデータオーグメンテーションやファインチューニングと比較して、合成データにおけるドメインランダマイゼーションは一般化性能をどの程度向上させるか？
• RQ3 実画像データを必要とせず、既存データセットのラベルマップのみを用いて効果的にセグメンテーションモデルをトレーニングできるか？
• RQ4 SynthSegの性能は、複数のデータセットにおいて、教師ありCNN、テスト時適応、ベイジアンセグメンテーションと比較してどうなるか？
• RQ5 多様なラベルマップでトレーニングされたモデルは、萎縮や病変を有するスキャンに対しても高い正確性を維持できるか？

主な発見

• SynthSegは、6モダリティおよび10解像度にわたる5,500枚の脳MRIスキャンにおいて、最先端の一般化性能を達成した。
• ファインチューニングや適応なしに、前処理済みおよび未処理の実スキャンの両方へ一般化できた。
• SynthSegは、ドメイン間セグメンテーションタスクにおいて、教師ありCNN、テスト時適応法、ベイジアンセグメンテーションを上回った。
• 多様な合成データから得た頑健性のおかげで、萎縮や病変を含む複雑な形態的変動を有するスキャンに対しても高い正確性を維持した。
• ラベルマップのみを用いたトレーニングにより、萎縮や病変を含む病理的特徴を有する異種データセットからの有効な学習が可能になった。
• 合成データにおけるドメインランダマイゼーションは、解像度およびコントラストの変化に対するモデルの不変性を顕著に向上させ、優れたゼロショット一般化を実現した。