[논문 리뷰] Detailed delineation of the fetal brain in diffusion MRI via multi-task learning

Davood Karimi, Camilo Calixto외 7명|arXiv (Cornell University)|2024. 08. 26.

Advanced Neuroimaging Techniques and ApplicationsMedicine인용 수 3

한 줄 요약

이 연구는 확산 MRI에서 태아 뇌 조직, 백질 섬유,皮질/비피질 구조를 통합적으로 자동으로 분할할 수 있는 다중 작업 딥러닝 프레임워크를 제안한다. 이 방법은 높은 정확도를 달성하여 평균 Dice 점수 0.865(조직), 0.825(섬유), 0.819(구역화)를 기록하며, 저품질의 태아 dMRI 데이터에 대해 재현 가능하고 빠른 분석을 가능하게 하여 태아 뇌영상 및 연결성 연구를 발전시킨다.

ABSTRACT

Diffusion-weighted MRI is increasingly used to study the normal and abnormal development of fetal brain in-utero. Recent studies have shown that dMRI can offer invaluable insights into the neurodevelopmental processes in the fetal stage. However, because of the low data quality and rapid brain development, reliable analysis of fetal dMRI data requires dedicated computational methods that are currently unavailable. The lack of automated methods for fast, accurate, and reproducible data analysis has seriously limited our ability to tap the potential of fetal brain dMRI for medical and scientific applications. In this work, we developed and validated a unified computational framework to (1) segment the brain tissue into white matter, cortical/subcortical gray matter, and cerebrospinal fluid, (2) segment 31 distinct white matter tracts, and (3) parcellate the brain's cortex and delineate the deep gray nuclei and white matter structures into 96 anatomically meaningful regions. We utilized a set of manual, semi-automatic, and automatic approaches to annotate 97 fetal brains. Using these labels, we developed and validated a multi-task deep learning method to perform the three computations. Our evaluations show that the new method can accurately carry out all three tasks, achieving a mean Dice similarity coefficient of 0.865 on tissue segmentation, 0.825 on white matter tract segmentation, and 0.819 on parcellation. The proposed method can greatly advance the field of fetal neuroimaging as it can lead to substantial improvements in fetal brain tractography, tract-specific analysis, and structural connectivity assessment.

연구 동기 및 목표

• 낮은 품질이지만 급격히 발달하는 태아 확산 MRI(dMRI) 데이터를 분석하기 위한 자동화되고 신뢰할 수 있는 계산 방법의 부족을 해결하기 위해.
• 세 가지 서로 다른데 관련된 작업인 조직 분할, 백질 섬유 분할, 피질/비피질 구역화를 동시에 수행할 수 있는 통합된 딥러닝 프레임워크를 개발하기 위해.
• 태아 dMRI에서의 데이터 부족과 레이블링 과제를 해결하기 위해 다중 작업 학습을 활용하여 모델의 일반화 능력과 성능을 향상시키기 위해.
• 트랙토그라피, 구조적 연결성 평가, 신경발달 연구를 위한 정확하고 재현 가능하며 빠른 태아 dMRI 처리를 가능하게 하기 위해.

제안 방법

• 공유 인코더와 작업별 헤드를 사용하여 동시에 조직 분할, 백질 섬유 분할, 피질 구역화를 수행하는 다중 작업 딥러닝 모델을 개발하였다.
• 다양한 임신 주수에서 수동, 반자동, 자동으로 레이블링된 97개의 태아 뇌 영상을 포함한 데이터셋을 사용하여 모델을 훈련시켰다.
• 작업별 손실 함수를 학습 가능한 작업 가중치를 사용하여 조합하여 세 가지 작업 간의 불확실성과 성능 최적화를 균형 잡았다.
• 저SNR(신호 대 잡음비)와 해부학적 변동성을 다루기 위해 다중 스케일 특징을 활용한 U-Net 기반 아키텍처를 사용하였다.
• 이미지 강도 변동성과 운동 아티팩트에 대한 강건성을 향상시키기 위해 데이터 증강 및 정규화 기법을 모델 훈련에 통합하였다.
• 해부학적 랜드마크를 기반으로 한 정량적 지표(Dice 유사도 계수)와 전문가의 시각적 평가를 통해 방법의 유효성을 검증하였다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 확산 MRI에서 태아 뇌 조직, 백질 섬유, 피질 영역을 높은 정확도로 분할할 수 있는가?
• RQ2 학습 데이터가 제한적이고 노이즈가 많은 태아 dMRI 분할에서 다중 작업 학습이 성능을 어떻게 향상시키는가?
• RQ3 급격한 뇌 발달과 낮은 영상 품질에도 불구하고 모델이 다양한 임신 주수 간에 얼마나 잘 일반화되는가?
• RQ4 기존의 성인 또는 태아 구조적 MRI 분석 방법과 비교해 볼 때, 특히 구역화 및 섬유 분할에서 모델의 성능은 어떠한가?
• RQ5 특히 레이블이 노이즈가 많거나 일관성 없이 표기된 영역에서, 모델이 훈련 레이블보다 더 정확한 분할을 생성할 수 있는가?

주요 결과

• 제안된 다중 작업 학습 모델은 조직 분할에서 평균 Dice 유사도 계수 0.865를 기록하여 주요 뇌 조직 유형을 높은 정확도로 분류함을 나타낸다 (백질, 고형질, 중간질, 뇌척수액).
• 백질 섬유 분할에서는 평균 Dice 점수 0.825를 달성하여 낮은 영상 품질과 운동 아티팩트에도 불구하고 31개의 복잡한 섬유를 신뢰성 있게 분리함을 보여준다.
• 구역화 작업은 평균 Dice 점수 0.819를 기록하였으며, 전문가 평가 결과 예측 결과가 훈련 레이블에 존재하는 局부 오류를 보완하는 경우가 많음을 확인하였다.
• 모델는 레이블 노이즈에 대해 강건하여 일부 경우에서 원래 훈련 레이블보다 더 해부학적으로 일관된 분할 결과를 생성하였다.
• 학습 과정에서 작업 가중치가 자동으로 학습되었으며, 섬유 레이블 간 상호 배타성이 낮아서 조직 및 구역화 작업 대비 더 높은 불확실성을 나타내었음을 시사한다.
• 이 방법은 태아 dMRI의 자동화, 빠른 처리 및 재현 가능성을 가능하게 하여 발달 및 임상 연구를 위한 태아 뇌영상 기술을 크게 발전시켰다.