[論文レビュー] SynthSeg: Segmentation of brain MRI scans of any contrast and resolution without retraining

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

Radiomics and Machine Learning in Medical Imaging被引用数 28

ひとこと要約

SynthSegは、ラベルマップから生成された合成データを用いた全ドメインのランダム化を通じて、対比と解像度の幅広い範囲の脳MRIをセグメントすることを学習し、新しいドメインへの再学習を必要とせずに適用可能となる。

ABSTRACT

Despite advances in data augmentation and transfer learning, convolutional neural networks (CNNs) difficultly generalise to unseen domains. When segmenting brain scans, CNNs are highly sensitive to changes in resolution and contrast: even within the same MRI modality, performance can decrease across datasets. Here we introduce SynthSeg, the first segmentation CNN robust against changes in contrast and resolution. SynthSeg is trained with synthetic data sampled from a generative model conditioned on segmentations. Crucially, we adopt a domain randomisation strategy where we fully randomise the contrast and resolution of the synthetic training data. Consequently, SynthSeg can segment real scans from a wide range of target domains without retraining or fine-tuning, which enables straightforward analysis of huge amounts of heterogeneous clinical data. Because SynthSeg only requires segmentations to be trained (no images), it can learn from labels obtained by automated methods on diverse populations (e.g., ageing and diseased), thus achieving robustness to a wide range of morphological variability. We demonstrate SynthSeg on 5,000 scans of six modalities (including CT) and ten resolutions, where it exhibits unparalleled generalisation compared with supervised CNNs, state-of-the-art domain adaptation, and Bayesian segmentation. Finally, we demonstrate the generalisability of SynthSeg by applying it to cardiac MRI and CT scans.

研究の動機と目的

• 多様な臨床画像プロトコルに対して頑健な脳MRIセグメンテーションを動機づける。
• 未見の対比/解像度ドメインに直面した場合の再学習やファインチューニングを排除する。
• ラベルマップから生成された合成トレーニングデータを活用して、ドメインに依存しない特徴を学習する。
• 非MRIモダリティや心臓画像を含む、強力なクロスドメイン一般化を実証する。

提案手法

• 完全ランダム化された生成モデルを用いて、ラベルマップから合成3Dトレーニング画像を生成する。
• ラベルマップにランダムなアフィン変形と非線形変形を適用して、多様な形態を作り出す。
• GMMパラメータをサンプリングし、現実的なノイズとバイアス場を加えることで、対比の変動をシミュレートする。
• LR-to-HRの頑健性を訓練するために、異なる解像度とスライス間隔をシミュレートする。
• 合成画像のみを用いて、ソフトDice損失で3D UNetを訓練し、テスト時の拡張を行う。
• 高解像度へリサンプリングして、元データと反転データの予測を平均化することで推論を行う。

実験結果

リサーチクエスチョン

• RQ1 セグメンテーションCNNは、再学習なしに対比および解像度不変の性能を達成できるか？
• RQ2 多様なモダリティと解像度を横断した、合成データを用いたドメインランダム化の実データへの転送性能はどの程度か？
• RQ3 本手法はMRIを超えて、心臓画像などにも有効か？

主な発見

• SynthSegは、合成データのみで訓練したにもかかわらず、訓練ドメインでほぼ監視下の精度を達成する。
• 未見の対比と解像度に対して、最先端のドメイン適応法やベイズ法より一般化性能が高い。
• 非MRIモダリティや低解像度データを含む9つのターゲットドメインに対して、強い頑健性を示す。
• 年齢や疾患の影響を含む大きな形態変化にもかかわらず、高いDiceスコアと低い表面距離を維持する。
• 心臓MRIおよびCTスキャンへの一般化性を示し、モダリティ非依存の頑健性を示す。