[논문 리뷰] Evaluating U-net Brain Extraction for Multi-site and Longitudinal Preclinical Stroke Imaging

Erendiz Tarakci, Joseph B. Mandeville외 16명|arXiv (Cornell University)|2022. 03. 10.

Cell Image Analysis Techniques인용 수 4

한 줄 요약

이 연구는 다중 기관, 종단적 전임상 뇌졸중 MRI 데이터에서 자동 마우스 뇌 추출을 위한 U-net 컨볼루션 신경망을 평가한다. 6개 기관과 2개 시간점에서의 240개의 다중 모odal MRI 데이터셋(T2, ADC 지도)을 기반으로 훈련된 U-net은 다양한 스캐너, 대trast, 병변 조건에서도 뛰어난 일반화 능력을 보이며 95–97%의 정확도를 달성했으며, 규칙 기반 방법을 능가했고 전임상 뇌졸중 연구를 위한 고속, 신뢰성 있는 파이프라인 통합을 가능하게 했다.

ABSTRACT

Rodent stroke models are important for evaluating treatments and understanding the pathophysiology and behavioral changes of brain ischemia, and magnetic resonance imaging (MRI) is a valuable tool for measuring outcome in preclinical studies. Brain extraction is an essential first step in most neuroimaging pipelines; however, it can be challenging in the presence of severe pathology and when dataset quality is highly variable. Convolutional neural networks (CNNs) can improve accuracy and reduce operator time, facilitating high throughput preclinical studies. As part of an ongoing preclinical stroke imaging study, we developed a deep-learning mouse brain extraction tool by using a U-net CNN. While previous studies have evaluated U-net architectures, we sought to evaluate their practical performance across data types. We ask how performance is affected with data across: six imaging centers, two time points after experimental stroke, and across four MRI contrasts. We trained, validated, and tested a typical U-net model on 240 multimodal MRI datasets including quantitative multi-echo T2 and apparent diffusivity coefficient (ADC) maps, and performed qualitative evaluation with a large preclinical stroke database (N=1,368). We describe the design and development of this system, and report our findings linking data characteristics to segmentation performance. We consistently found high accuracy and ability of the U-net architecture to generalize performance in a range of 95-97% accuracy, with only modest reductions in performance based on lower fidelity imaging hardware and brain pathology. This work can help inform the design of future preclinical rodent imaging studies and improve their scalability and reliability.

연구 동기 및 목표

• 다중 기관, 종단적 전임상 흑색 뇌졸중 MRI 데이터를 위한 강력하고 자동화된 뇌 추출 도구 개발
• U-net 아키텍처의 일반화 성능 평가: 다양한 MRI 스캐너, 대비(T2, ADC), 뇌졸중 후 시간점에서의 성능 평가
• 병변 또는 이질적인 데이터에서 실패하는 규칙 기반 뇌 추출 도구의 한계 극복
• 다기관 전임상 뇌졸중 연구를 위한 고속, 확장 가능하고 재현 가능한 신경영상 파이프라인 구축
• 단일 채널 U-net 모델이 다중 채널 성능을 따라잡을 수 있는지 평가하여 프로토콜의 유연성 지원

제안 방법

• 정량적 다중 에코 T2 및 영향도 계수(ADC) 지도를 포함한 240개의 다중 모달 MRI 데이터셋을 기반으로 U-net CNN 훈련
• 다중 채널 U-net(M-full-multi)과 단일 채널 변종(M-full-single)을 사용해 다양한 입력 구성에서의 성능 평가
• 6개 영상 센터의 데이터로 모델을 훈련하고, 훈련 세트에 포함되지 않은 기관의 데이터로 일반화 능력을 테스트(예: 반기지 훈련/테스트)
• 수동 기준값 대비 분할 정확도를 측정하기 위해 Dice 유사도 계수(DSC)를 주요 지표로 사용
• SPAN 연구의 1,368개 스캔에서 정성적 평가 수행, 심한 병변 및 운동 아티팩트가 있는 케이스 포함
• 일부 기관 또는 개별 대비로 제한된 모델을 훈련하여 강건성 및 이식 가능성 평가를 위한 분석 수행

실험 결과

연구 질문

• RQ1 다중 기관 전임상 뇌졸중 영상에서 다양한 MRI 스캐너와 자기장 강도에서 U-net 성능는 어떻게 변화하는가?
• RQ2 뇌병변 및 형태학적 이상(예: 뇌졸중 후 2일째)이 U-net 분할 정확도에 미치는 영향은 무엇인가?
• RQ3 단일 U-net 모델이 다양한 MRI 대비(T2, ADC)와 시간점(조기 vs. 만기 뇌졸중 후)에서 효과적으로 일반화될 수 있는가?
• RQ4 다양한 데이터 품질 조건에서 다중 채널과 단일 채널 U-net 아키텍처의 성능는 어떻게 비교되는가?
• RQ5 미래의 다기관 연구에서 일부 기관 데이터로 훈련된 U-net이 새로운, 알려지지 않은 기관으로 일반화될 수 있는 정도는 어느 정도인가?

주요 결과

• 모든 테스트 조건에서 U-net은 95–97%의 Dice 유사도 계수(DSC)를 달성했으며, 다양한 이미지 품질과 병변 조건에서도 성능 저하가 최소한이었다.
• 다중 채널 U-net(M-full-multi)은 DSC 0.957을 기록했고, 단일 채널 버전(M-full-single)은 0.954를 기록해 거의 동일한 성능를 보였다.
• 조기(뇌졸중 후 2일)에서 만기(뇌졸중 후 30일)로 갈수록 성능이 향상되었으며, 이는 후기 단계에서 뇌 형태가 더 규칙적이고 부종이 감소했기 때문으로 추정된다.
• 규칙 기반 뇌 추출에서 실패한 206개 케이스에서 100% 성공률 기록, 심한 병변에 대한 강건성 입증
• 반수 기관 데이터로 훈련된 제한된 모델이 나머지 반수 기관으로도 잘 일반화되어 평균 DSC 0.953(M-full-multi), 0.954(M-full-single) 달성, 강력한 이식 가능성 입증
• 단일 대비(T2 또는 ADC)로만 훈련된 모델도 강력한 성능 보였으며, T2 기준에서 최저 DSC 0.935 기록, 교차 대비 일반화 확인