[論文レビュー] White matter hyperintensity segmentation from T1 and FLAIR images using fully convolutional neural networks enhanced with residual connections

Dakai Jin, Ziyue Xu+2 more|arXiv (Cornell University)|Mar 19, 2018

Advanced Neuroimaging Techniques and Applications参考文献 8被引用数 5

ひとこと要約

本稿では、T1およびFLAIR MRIスキャンを統合した画像から白質高信号病変（WMHs）をセグメンテーションするための軽量で完全畳み込みニューラルネットワーク—ResU-Net—を提案する。残差接続を活用することで、マルチコントラスト入力と組み合わせ、未学習のMRIスキャナに対しても最先端の一般化性能を達成し、最良のハウスドルフ距離および平均ボリューム差異スコアを記録した。

ABSTRACT

Segmentation and quantification of white matter hyperintensities (WMHs) are of great importance in studying and understanding various neurological and geriatric disorders. Although automatic methods have been proposed for WMH segmentation on magnetic resonance imaging (MRI), manual corrections are often necessary to achieve clinically practical results. Major challenges for WMH segmentation stem from their inhomogeneous MRI intensities, random location and size distributions, and MRI noise. The presence of other brain anatomies or diseases with enhanced intensities adds further difficulties. To cope with these challenges, we present a specifically designed fully convolutional neural network (FCN) with residual connections to segment WMHs by using combined T1 and fluid-attenuated inversion recovery (FLAIR) images. Our customized FCN is designed to be straightforward and generalizable, providing efficient end-to-end training due to its enhanced information propagation. We tested our method on the open WMH Segmentation Challenge MICCAI2017 dataset, and, despite our method's relative simplicity, results show that it performs amongst the leading techniques across five metrics. More importantly, our method achieves the best score for hausdorff distance and average volume difference in testing datasets from two MRI scanners that were not included in training, demonstrating better generalization ability of our proposed method over its competitors.

研究の動機と目的

• 脳MRIにおける自動白質高信号病変（WMH）セグメンテーションのための、頑健で一般化可能な手法の開発。
• 強度不均一性、病変のサイズや位置のばらつき、ノイズといったWMHセグメンテーションの課題に対処すること。
• 過学習を回避しつつ、残差接続とマルチコントラスト（T1およびFLAIR）入力による性能向上を実現すること。
• ベンチマークチャレンジの範囲を越えて、実臨床応用を想定した未学習のMRIスキャナに対しても良好な一般化を確保すること。
• 複雑でタスク特化型のモデルに比して競争力のある性能を維持しつつ、計算効率とアーキテクチャの単純性を保つこと。

提案手法

• 2段階のパイプラインを採用：まず、T1強調画像から白質領域を切り出すために、形態的フィルタを施した縮小U-Netを適用する。
• 次に、T1およびFLAIR画像を統合してトレーニングした残差U-Net（ResU-Net）を用い、WMHをセグメンテーションする。スキップ接続により勾配の流れが改善される。
• 残差ブロックはショートカット接続により実装され、入力が残差関数に直接加算される：$ x_{\ell+1} = x_\ell + \mathcal{F}(x_\ell, \mathcal{W}_\ell) $。これにより、学習安定性と特徴量学習が向上する。
• 確率的勾配降下法を用いてエンドツーエンドで学習し、交差エントロピー損失を適用することで、効率的で頑健な最適化が可能になる。
• データオーグメンテーションと正規化を適用し、強度変動やスキャナ差異に対する耐性を高める。
• 後処理として、白質セグメンテーションに基づく形態的処理と領域制限マスクを適用し、WMH検出を制限する。

実験結果

リサーチクエスチョン

• RQ1 残差接続を備えた単純な完全畳み込みネットワークは、広範なアーキテクチャのカスタマイズなしに、WMHセグメンテーションで高い性能を達成できるか？
• RQ2 T1およびFLAIRコントラストの統合は、単一コントラスト手法と比較して、どのようにWMH検出を改善するか？
• RQ3 提案手法は、トレーニング時に使用しなかったMRIスキャナのデータに対し、どの程度一般化できるか？
• RQ4 残差接続の使用は、誤検出（ファルスポジティブ）を低減し、微細な小規模なWMHの検出を向上させるか？
• RQ5 軽量で汎用的なネットワークは、複雑でチャレンジ特化型のモデルに比して、実世界の展開環境で優れた性能を発揮できるか？

主な発見

• 提案手法である nih_cidi_2 は、MICCAI 2017 WMHセグメンテーションチャレンジの本テストセットで22件の提出中4位を達成した。
• 未学習の2台のMRIスキャナ（GE 1.5TおよびPETMR）において、上位5位の手法の中で最良のハウスドルフ距離（H95）および平均ボリューム差異（AVD%）スコアを記録した。
• Diceスコアは未学習スキャナでわずかに低下したが、他の上位チームが少なくとも3つの指標で3%以上の低下を示したのに対し、本手法は低下が最小限（≤3%）に抑えられた。
• 膨大な後処理を要する複雑なパッチベースモデル（nlp_logixおよびnic-vicorob）に比べ、本手法は優れた性能を発揮した。
• 残差接続を備えたResU-Netアーキテクチャは、微細な小規模なWMHの検出を向上させるとともに、ベースラインU-Netに比べて誤検出を低減した。
• 本手法は強力な一般化性能を示し、未学習スキャナでも性能低下が僅かに抑えられ、チャレンジ特化の設定を超えた実臨床応用に適していることが確認された。