[論文レビュー] Towards contrast-agnostic soft segmentation of the spinal cord

Sandrine Bédard, Enamundram Naga Karthik+6 more|arXiv (Cornell University)|Oct 23, 2023

Medical Imaging and Analysis被引用数 6

ひとこと要約

本論文は、マルチコントラストMRIデータを用いたソフト脊髄セグメンテーションのための対照的でない深層学習手法を提案する。参加者固有のソフトアノテーションは6つのコントラストの平均を用い、回帰損失関数を用いてUNetを訓練する。この手法により、コントラスト間のCSAばらつきが低減され、ベンダーやコントラスト、疾患状態の異なる状況でも対照的でないモデルより一般化性能が向上し、部分体積効果に対しても対応可能となる。

ABSTRACT

Spinal cord segmentation is clinically relevant and is notably used to compute spinal cord cross-sectional area (CSA) for the diagnosis and monitoring of cord compression or neurodegenerative diseases such as multiple sclerosis. While several semi and automatic methods exist, one key limitation remains: the segmentation depends on the MRI contrast, resulting in different CSA across contrasts. This is partly due to the varying appearance of the boundary between the spinal cord and the cerebrospinal fluid that depends on the sequence and acquisition parameters. This contrast-sensitive CSA adds variability in multi-center studies where protocols can vary, reducing the sensitivity to detect subtle atrophies. Moreover, existing methods enhance the CSA variability by training one model per contrast, while also producing binary masks that do not account for partial volume effects. In this work, we present a deep learning-based method that produces soft segmentations of the spinal cord. Using the Spine Generic Public Database of healthy participants ($ ext{n}=267$; $ ext{contrasts}=6$), we first generated participant-wise soft ground truth (GT) by averaging the binary segmentations across all 6 contrasts. These soft GT, along with aggressive data augmentation and a regression-based loss function, were used to train a U-Net model for spinal cord segmentation. We evaluated our model against state-of-the-art methods and performed ablation studies involving different loss functions and domain generalization methods. Our results show that using the soft segmentations along with a regression loss function reduces CSA variability ($p < 0.05$, Wilcoxon signed-rank test). The proposed spinal cord segmentation model generalizes better than the state-of-the-art methods amongst unseen datasets, vendors, contrasts, and pathologies (compression, lesions), while accounting for partial volume effects.

研究の動機と目的

• 既存のセグメンテーション手法におけるMRIコントラスト依存性が原因で生じる脊髄断面積（CSA）測定のばらつきを是正すること。
• 複数のコントラストから得たソフトアノテーションを用いて、1つのモデルを複数のコントラストで学習させることで、コントラスト間CSAばらつきを低減すること。
• 多様なトレーニングデータを活用することで、未観測のMRIベンダー、コントラスト、疾患状態（例：病変、圧迫）に対しても一般化性能を向上させること。
• ソフトセグメンテーションにより部分体積効果を考慮し、組織境界の不確実性を無視する二値マスクを避けること。
• 臨床的およびマルチセンター研究における、堅牢でマルチコントラスト対応の脊髄形態計測の基盤となるモデルの構築すること。

提案手法

• 脊髄一般公的データベース（n=267）から得た6つのMRIコントラスト（T1w, T2w, T2w-SPACE, T2w-TSE, T2w-TSE-SPACE, T2w-TSE-SPACE-3D）のバイナリセグメンテーションを平均化して、参加者ごとのソフトアノテーションを生成した。
• モデルのロバスト性と一般化性能を向上させるために、回転、反転、スケーリング、強度のジャイタリングを含む積極的なデータオーグメンテーションを適用した。
• 二値マスクではなくソフトセグメンテーションマスクを予測するために、回帰ベースの損失関数を用いてUNetに基づく深層学習モデルを訓練した。
• 前処理段階で、脊髄が中心に位置すると仮定し、センタークローピング戦略を採用した。ただし、側弯症や腰椎部などエッジケースには設定可能なフラグを用意した。
• CSAばらつきの評価にはウィルコクソン符号順位検定を用い、最先端の対照的でないモデル（例：soft_per_contrast T2w, DeepSeg2D）と比較した。
• ソフトアノテーション、損失関数、対照的でないモデルの種類を変化させたアブレーションスタディを実施し、ソフトGTと回帰損失の貢献度を特定した。

Figure 1: Preprocessing pipeline for soft average segmentations ground truth. (1) Automatic hard spinal cord segmentation using sct_deepseg_sc & manual corrections; (2) Registration to T2w space; (3) Applying each contrast’s warping field to bring the segmentation masks to the T2w space; (4) Averagi

実験結果

リサーチクエスチョン

• RQ1 複数のコントラストから生成したソフトアノテーションは、MRIシーケンス間でCSAばらつきを低減できるか？
• RQ2 二値クロスエントロピー損失と比較して、回帰ベースの損失関数は未観測のMRIコントラストやベンダーに対して一般化性能を向上させるか？
• RQ3 マルチコントラストデータで学習した1つのディープラーニングモデルは、病変や脊髄圧迫などの未観測の疾患状態にも一般化可能か？
• RQ4 二値セグメンテーションと比較して、ソフトセグメンテーションは部分体積効果をどの程度軽減できるか？
• RQ5 CSAの一貫性と一般化性能の観点から、本手法は対照的でないモデルと比べてどのように差がつくか？

主な発見

• ソフトアノテーションと回帰損失を用いた本手法は、全6コントラストにおいてCSAばらつきが顕著に低減された（p < 0.05、ウィルコクソン符号順位検定）。
• 未観測のデータセット、ベンダー、コントラスト、疾患状態（病変、脊髄圧迫を含む）に対しても、最先端の対照的でない手法よりも優れた一般化性能を示した。
• ソフトセグメンテーションは、病変が存在する場合の境界明確化に優れており、単一コントラストで学習したモデルと比較して顕著な改善が得られた。
• アブレーションスタディにより、ソフトアノテーションと回帰損失がCSAばらつきの低減および一般化性能の向上に重要な貢献していることが確認された。
• 未観測のコントラストや疾患状態に対しても、本モデルは堅牢な性能を示し、強力なゼロショット一般化の可能性を示した。
• コントラストに起因する形態計測バイアスを最小限に抑えることで、微細な脊髄萎縮の検出感度を向上させる可能性を示した。

Figure 2: Architecture of the proposed SoftSeg model.