[논문 리뷰] Quantifying white matter hyperintensity and brain volumes in heterogeneous clinical and low-field portable MRI

Pablo Laso, Stefano Cerri외 22명|arXiv (Cornell University)|2023. 12. 08.

Advanced Neuroimaging Techniques and Applications인용 수 12

한 줄 요약

WMH-SynthSeg는 재학습 없이 어떤 해상도/조도에서도, 저전장 포터블 MRI를 포함한 스캔에서 WMH와 36개 뇌 영역을 분할하는 CNN으로, 교차 스펙트럼 상관관계가 강함.

ABSTRACT

Brain atrophy and white matter hyperintensity (WMH) are critical neuroimaging features for ascertaining brain injury in cerebrovascular disease and multiple sclerosis. Automated segmentation and quantification is desirable but existing methods require high-resolution MRI with good signal-to-noise ratio (SNR). This precludes application to clinical and low-field portable MRI (pMRI) scans, thus hampering large-scale tracking of atrophy and WMH progression, especially in underserved areas where pMRI has huge potential. Here we present a method that segments white matter hyperintensity and 36 brain regions from scans of any resolution and contrast (including pMRI) without retraining. We show results on eight public datasets and on a private dataset with paired high- and low-field scans (3T and 64mT), where we attain strong correlation between the WMH ($ρ$=.85) and hippocampal volumes (r=.89) estimated at both fields. Our method is publicly available as part of FreeSurfer, at: http://surfer.nmr.mgh.harvard.edu/fswiki/WMH-SynthSeg.

연구 동기 및 목표

• 저해상도 포터블 MRI(pMRI)를 포함한 다양한 해상도와 대조를 가진 MRI 스캔에서 WMH와 36개 뇌 ROIs를 정량화할 수 있는 분할 방법을 개발한다.
• 재학습 없이 이질적인 임상 데이터에서 정확한 용적 분석 및 위축 평가를 가능하게 한다.
• 도메인 난수화를 포함한 합성 학습 데이터를 활용하여 대조와 해상도에 구애받지 않는 성능을 달성한다.
• 교차 필드 타당성을 입증하기 위해 다수의 공개 데이터 세트와 비공개 3T/64mT 페어 데이터 세트에서 방법을 평가한다.

제안 방법

• WMH 레이블을 일관되게 유지하면서 변형, 강도, 바이어스 필드, 해상도가 무작위로 설정된 학습 데이터를 생성하기 위해 합성 MRI 생성기를 사용한다.
• 다섯 계층의 3D U-net과 그룹 정규화를 사용하여 분할과 보조 타깃(바이어스 필드 및 고해상도 T1w 강도)을 다중 작업 손실로 출력하도록 학습한다.
• 손실은 크로스 엔트로피, Dice, T1w 강도 및 로그 바이어스 필드의 L1 오차를 결합하여 견고성을 향상시키고(WMH 평균에 대한 사전 포함).
• 테스트 시 입력을 1mm 등방성으로 재샘플링하고 좌우 반전 및 예측 평균화를 통해 테스트 시간 보강을 적용한다.
• 모델은 합성 데이터로 학습되지만 정확도 검증을 위해 실제 고장력 데이터 세트(예: 36 ROIs 및 WMH)와 대조 평가한다.

Fig. 1 : Input, ground truth, and automated segmentations of a sample high-field scan from the Singapore dataset. The top row shows the high-resolution axial view; the bottom row shows a lower resolution orthogonal view (in sagittal orientation).

실험 결과

연구 질문

• RQ1 재학습 없이 임상 및 저장 필드 MRI에서 WMH와 36개 뇌 ROIs를 정확하게 분할할 수 있는가?
• RQ2 64mT 포터블 MRI를 포함한 다양한 해상도와 대조에서 방법의 성능은 어떠한가?
• RQ3 다중 작업 학습과 WMH 평균 사전이 분할 정확도와 견고성에 미치는 영향은 무엇인가?
• RQ4 pMRI에서 파생된 WMH 및 해마 용량이 실제 고자기장 측정값과 얼마나 잘 상관하는가?

주요 결과

• WMH-SynthSeg는 고자기장 데이터셋에서 해부학 및 WMH에 대해 SAMSEG 및 LST와 비교해 경쟁력 있는 또는 우수한 Dice 점수를 달성한다.
• WMH-SynthSeg 전체 모델은 WMH 평균 사전 및 다중 작업 학습을 포함한 경우 FLAIR/1mm 데이터에서 최고 WMH Dice(0.62) 및 해부학 Dice(0.79)를 제공하며, 절삭 버전을 능가한다.
• pMRI에서 파생된 용량과 고자기장 기준 실제 값 간의 상관은 경쟁 방법보다 WMH-SynthSeg에서 현격히 높다(예: 보고된 결과에서 WMH 약 0.75–0.85, 해마 약 0.86).
• LST는 저장 필드 데이터 처리에 비해 효과적이지 못하고, SAMSEG는 대조에 대해 무관하지만 위양성은 더 많다; WMH-SynthSeg은 다양한 대조에서 1mm 등방성 해상도의 등방성 고품질 분할을 제공한다.
• 이 방법은 T1w 영상에서 FLAIR 기반 접근법과 경쟁력 있는 성능으로 WMH 분할을 생성하여 임상 워크플로의 활용도를 확장한다.

Fig. 2 : (a) High-field 1mm isotropic FLAIR from MGH dataset. (b) LST segmentation, used as ground truth for WMH. (c) High-field 1mm T1w. (d) FreeSurfer segmentation of (c), used for ground truth for anatomy. (e) pMRI of the same subject at 2x2x5.8mm axial resolution. (f) WMH-SynthSeg segmentation.