[논문 리뷰] A Learning Strategy for Contrast-agnostic MRI Segmentation

Benjamin Billot, Douglas N. Greve외 4명|arXiv (Cornell University)|2020. 03. 04.

Medical Image Segmentation Techniques참고 문헌 19인용 수 47

한 줄 요약

SynthSeg는 베이지안 분할 모델에서 생성된 합성적이고 대조가 다양한 스캔을 사용해 CNN을 학습시켜 새로운 모달리티에 대해 재학습 없이 대조 불변의 뇌 MRI 분할을 가능하게 한다. 빠른 추론 속도와 강력한 크로스-데이터셋 일반화와 함께 경쟁력 있는 정확도를 달성한다.

ABSTRACT

We present a deep learning strategy that enables, for the first time, contrast-agnostic semantic segmentation of completely unpreprocessed brain MRI scans, without requiring additional training or fine-tuning for new modalities. Classical Bayesian methods address this segmentation problem with unsupervised intensity models, but require significant computational resources. In contrast, learning-based methods can be fast at test time, but are sensitive to the data available at training. Our proposed learning method, SynthSeg, leverages a set of training segmentations (no intensity images required) to generate synthetic sample images of widely varying contrasts on the fly during training. These samples are produced using the generative model of the classical Bayesian segmentation framework, with randomly sampled parameters for appearance, deformation, noise, and bias field. Because each mini-batch has a different synthetic contrast, the final network is not biased towards any MRI contrast. We comprehensively evaluate our approach on four datasets comprising over 1,000 subjects and four types of MR contrast. The results show that our approach successfully segments every contrast in the data, performing slightly better than classical Bayesian segmentation, and three orders of magnitude faster. Moreover, even within the same type of MRI contrast, our strategy generalizes significantly better across datasets, compared to training using real images. Finally, we find that synthesizing a broad range of contrasts, even if unrealistic, increases the generalization of the neural network. Our code and model are open source at https://github.com/BBillot/SynthSeg.

연구 동기 및 목표

• 새로운 모달리티에 대해 추가 재학습 없이 임의의 대조에 걸친 강인한 뇌 MRI 분할의 동기를 부여한다.
• 생성적 베이지안 분할 모델을 활용해 다양한 학습 데이터를 합성한다.
• 실시간으로 합성된 대조를 갖는 분할 맵에서 CNN을 학습시켜 대조-무관한 성능을 달성한다.

제안 방법

• 베이지안 MRI 분할을 위한 고전적 생성 모델을 백본으로 사용한다.
• CNN을 분할 맵에 조건화하여 무작위 외관, 변형, 노이즈, 바이어스 필드 매개변수를 갖는 합성 스캔을 생성한다.
• 무작위로 변화된 모델 매개변수를 미니배치 샘플링으로 통해 다양한 합성 대조를 생성하여 학습 특징의 대조 편향을 방지한다.
• 다양한 대조에 걸쳐 전처리되지 않은 뇌 MRI 스캔에서 직접 분할을 수행하도록 학습한다.
• 일부 데이터세트에서 네 가지 MRI 대조로 일반화 및 속도를 평가한다.
• 합성 기반 학습이 정확도에서 베이지안 분할에 필적하고, 속도는 세 자릿수 배 빠르다.

실험 결과

연구 질문

• RQ1 CNN을 모달리티별 쌍 데이터나 미세 조정 없이 보이지 않는 대조에 걸쳐 뇌 MRI를 분할하도록 학습시킬 수 있는가?
• RQ2 베이지안 생성 모델 기반의 합성 대조 증강이 실제 영상으로 학습하는 것보다 데이터세트 간 일반화에 더 나은가?
• RQ3 때로 비현실적일 정도로 넓은 범위의 대조를 합성하는 것이 네트워크 일반화에 미치는 영향은 무엇인가?

주요 결과

• 제안은 평가 데이터의 모든 대조를 분할한다.
• SynthSeg는 약간 더 빠르며 정확도 측면에서 전통적 베이지안 분할과 경쟁력이 있다.
• 같은 MRI 대조 간의 데이터셋 간 일반화는 실제 이미지를 학습한 CNN보다 크게 더 좋다.
• 현실적이지 않은 넓은 범위의 합성 대조로 학습하면 일반화가 향상된다.
• 이 방법은 네 개의 데이터셋과 네 가지 MR 대조에 걸쳐 1,000명 이상의 피험자에 확장된다.