[논문 리뷰] Robust machine learning segmentation for large-scale analysis of heterogeneous clinical brain MRI datasets

Benjamin Billot, Colin Magdamo외 4명|arXiv (Cornell University)|2022. 09. 05.

Medical Image Segmentation Techniques인용 수 6

한 줄 요약

SynthSeg+는 재훈련 없이 다양한 대비, 해상도 및 촬영 프로토콜을 가진 높은 이질성을 띤 임상 뇌 MRI 스캔을 강건하게 분할할 수 있는 딥러닝 기반 분할 프레임워크이다. 전체 뇌 분할, 피질 분할, intracranial volume 추정 및 자동 품질 제어에서 최신 기술 수준의 성능을 달성하였으며, 14,000건의 스캔을 포함한 노화 연구에서 퇴행 패턴을 정확하게 재현함을 입증하였다.

ABSTRACT

Every year, millions of brain MRI scans are acquired in hospitals, which is a figure considerably larger than the size of any research dataset. Therefore, the ability to analyse such scans could transform neuroimaging research. Yet, their potential remains untapped, since no automated algorithm is robust enough to cope with the high variability in clinical acquisitions (MR contrasts, resolutions, orientations, artefacts, subject populations). Here we present SynthSeg+, an AI segmentation suite that enables, for the first time, robust analysis of heterogeneous clinical datasets. In addition to whole-brain segmentation, SynthSeg+ also performs cortical parcellation, intracranial volume estimation, and automated detection of faulty segmentations (mainly caused by scans of very low quality). We demonstrate SynthSeg+ in seven experiments, including an ageing study on 14,000 scans, where it accurately replicates atrophy patterns observed on data of much higher quality. SynthSeg+ is publicly released as a ready-to-use tool to unlock the potential of quantitative morphometry.

연구 동기 및 목표

• 대비, 해상도 및 촬영 잡음 등에서 상당한 차이를 보이는 높이 이질적인 임상 뇌 MRI 스캔에 대해 재훈련 없이도 강건하고 자동화된 분할 도구의 부족을 해결하기 위해.
• 연구용 데이터셋보다 훨씬 많은 수의 임상 데이터셋을 대상으로 대규모 정량적 형태측정 분석을 가능하게 하기 위해.
• 재훈련이 필요 없이 다양한 MR 대비, 해상도 및 환자 집단에 일반화할 수 있는 방법을 개발하기 위해.
• 저품질 분할을 탐지하고 경고하는 자동 품질 제어를 통합하기 위해.
• FreeSurfer와의 호환성을 통해 즉시 사용 가능한 도구를 공개하여 임상 및 연구 환경에서의 재현성과 보급성을 향상시키기 위해.

제안 방법

• 특징 무결성과 노이즈에 대한 강건성을 균형 잡기 위해 스킵 연결을 줄인 수정된 U-Net 아키텍처를 사용하며, 소프트 Dice 손실을 통해 엔드 투 엔드로 훈련된 분할을 위한 것이다.
• 3D CNN을 사용한 별도의 회귀 헤드가 5×5×5 컨볼루션을 사용하여 품질 제어 점수를 예측하며, 평균 제곱오차 손실로 훈련된다.
• 모든 모델은 도메인 랜덤라이제이션과 데이터 증강을 통해 생성된 다양성 있는 합성 데이터셋으로 훈련되어 실제 세계의 변동성을 시뮬레이션한다.
• 입력 스캔은 추론 전에 1 mm 등방성 해상도로 재샘플링되고 강도 정규화가 0–1 범위로 수행된다.
• 부드러운 확률적 출력에 대해 argmax를 적용하여 딱딱한 분할을 확보함으로써 불확실성 인식 기반 부피 추정이 가능하다.
• intracranial volume은 뇌 구조물 전부(뇌척수액 포함)의 부드러운 예측을 합산하여 계산된다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 각기 다른 대비나 해상도를 가진 높은 이질성을 띤 임상 MRI 스캔에서 재훈련 없이도 강건한 분할을 달성할 수 있는가?
• RQ2 고품질 연구 스캔과 비교할 때 SynthSeg+는 대규모 임상 데이터셋에서 알려진 뇌해부학적 퇴행 패턴을 얼마나 정확하게 재현할 수 있는가?
• RQ3 자동 품질 제어 시스템이 저품질 임상 촬영으로 인한 잘못된 분할을 어느 정도 탐지할 수 있는가?
• RQ4 훈련 데이터에서 관찰되지 않은 다양한 환자 집단과 촬영 프로토콜에 대해 모델이 얼마나 잘 일반화되는가?
• RQ5 실제 임상 데이터에 적용했을 때 SynthSeg+는 나이 듦 또는 신경퇴행성 질환 분석과 같은 대규모 인구 연구에서 어떻게 성능을 발휘하는가?

주요 결과

• SynthSeg+는 검증용 임상 스캔에서 주요 뇌 구조물에 대해 평균 Dice 점수가 0.85 이상으로, 모든 테스트 대비 및 해상도에서 높은 분할 정확도를 달성하였다.
• 14,000건의 스캔을 포함한 노화 연구에서 SynthSeg+는 예상되는 지역적 퇴행 패턴을 정확히 재현하였으며, 해마 부피 감소에 대한 효과 크기(Cohen’s d)는 고품질 연구 데이터셋과 유사하였다.
• 자동 품질 제어 시스템은 저품질 스캔의 98.7%를 성공적으로 탐지하였으며, 주로 심한 잡음이나 뇌 부분 커버리지 부족으로 인한 경우였다.
• 모델은 훈련 데이터에서 볼 수 없었던 다양한 임상 프로토콜, 특히 다양한 슬라이스 두께와 방향을 가진 2D 다중 슬라이스 촬영에도 효과적으로 일반화되었다.
• 단일 RTX6000 GPU에서 스캔당 12–16초 내외로 전체 추론 파이프라인이 실행되어 확장 가능한 구현이 가능했다.
• SynthSeg+는 FreeSurfer와 함께 공개되어 기존 뇌영상 워크플로우에 즉각 통합될 수 있었으며, 재현성 향상에 기여하였다.