[논문 리뷰] Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and no Retraining

Benjamin Billot, Magdamo Colin외 3명|arXiv (Cornell University)|2022. 03. 03.

Medical Image Segmentation Techniques인용 수 4

한 줄 요약

이 논문은 재훈련 없이 임상적 '실제 환경'에서 뇌 MRI 분할에 대한 강건성을 향상시키는 계층적 CNN 프레임워크인 SynthSeg+를 제안한다. 조건부 분할 및 디노이징 네트워크의 연쇄 구조를 통합함으로써 최신 기술 수준의 성능을 달성하였으며, SynthSeg 대비 저 SNR 및 저 대trast 스캔에서 오류를 최대 23.5 Dice 포인트 감소시켰고, 고품질 연구 스캔에서 관찰되는 위축 패atters를 정확히 재현하였다.

ABSTRACT

Retrospective analysis of brain MRI scans acquired in the clinic has the potential to enable neuroimaging studies with sample sizes much larger than those found in research datasets. However, analysing such clinical images "in the wild" is challenging, since subjects are scanned with highly variable protocols (MR contrast, resolution, orientation, etc.). Nevertheless, recent advances in convolutional neural networks (CNNs) and domain randomisation for image segmentation, best represented by the publicly available method SynthSeg, may enable morphometry of clinical MRI at scale. In this work, we first evaluate SynthSeg on an uncurated, heterogeneous dataset of more than 10,000 scans acquired at Massachusetts General Hospital. We show that SynthSeg is generally robust, but frequently falters on scans with low signal-to-noise ratio or poor tissue contrast. Next, we propose SynthSeg+, a novel method that greatly mitigates these problems using a hierarchy of conditional segmentation and denoising CNNs. We show that this method is considerably more robust than SynthSeg, while also outperforming cascaded networks and state-of-the-art segmentation denoising methods. Finally, we apply our approach to a proof-of-concept volumetric study of ageing, where it closely replicates atrophy patterns observed in research studies conducted on high-quality, 1mm, T1-weighted scans. The code and trained model are publicly available at https://github.com/BBillot/SynthSeg.

연구 동기 및 목표

• 다양한 대trast, 해상도, 영상 품질을 가진 높은 변동성을 보이는 임상적 뇌 MRI 스캔을 강건하게 분할하는 문제를 해결하기 위해.
• 재훈련 없이도 저신호 대 잡음비 또는 저대비 스캔에서 실패하는 기존 딥러닝 방법의 한계를 극복하기 위해.
• 대규모 임상 데이터셋과 호환되는 확장 가능하고 일반적인 목적의 분할 프레임워크를 개발하기 위해.
• 실제 임상 데이터에서 뇌 위축의 정확한 체적 분석을 가능하게 하여 고품질 연구 스캔의 결과를 재현하기 위해.

제안 방법

• 이 방법은 두 단계로 구성된 계층적 아키텍처를 사용한다: 초기 분할 네트워크 S1과 보완 네트워크 S2로, 둘 다 입력 MRI에 조건부로 작동한다.
• S1과 S2 사이에 전용 디노이징 CNN D를 통합하여 사전 지식을 활용하고 노이즈 유도 잡음 영역을 줄임으로써 예측 품질을 향상시킨다.
• 모든 프레임워크는 합성 MRI 데이터에서 도메인 랜덤라이제이션을 사용해 엔드 투 엔드로 훈련되며, 보정 없이 다양한 대trast와 해상도에 일반화할 수 있다.
• 각 네트워크가 입력 스캔과 중간 출력을 사용하여 점진적으로 분할을 개선하는 조건부 예측을 활용한다.
• 디노이저 D는 입력 이미지와 예측 마스크를 모두 학습하여 정확한 분할을 예측하도록 훈련되어 기하학적 일致성을 향상시킨다.
• 프레임워크는 새로운 프rotocol에 대한 재훈련이나 적응 없이도 어떤 임상 스캔에서도 즉시 추론이 가능하도록 설계되었다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 분할 방법이 재훈련 없이도 매우 이질적인 임상 MRI 스캔에서 강건한 성능을 달성할 수 있는가?
• RQ2 분할과 디노이징을 조합한 계층적 아키텍처가 표준 연쇄 네트워크에 비해 저 SNR 및 저대비 스캔에서 강건성을 어떻게 향상시키는가?
• RQ3 재훈련 없이 접근이 얼마나 고품질 연구 데이터셋에서 관찰되는 위축 패턴을 재현할 수 있는가?
• RQ4 추론 파이프라인 내부에 디노이저를 통합하는 것이 후처리 디노이징에 비해 분할 정확도와 기하학적 일치성을 향상시키는가?

주요 결과

• SynthSeg+는 '빅 페일'로 분류된 스캔(심각한 분할 오류)에서 SynthSeg 대비 23.5 Dice 포인트 향상하여 뛰어난 영상 품질에 대한 강건성을 입증하였다.
• 중간 표면 거리(MSD)는 최소 0.35 mm 감소하고, Dice 점수는 3 포인트 향상되어 기하학적 정확도가 뛰어나다는 것을 시사한다.
• 정답이 있는 500개 스캔에서 SynthSeg와 연쇄 네트워크(S1+S2)보다 모두 뛰어난 성능을 보였으며, 특히 저해상도 및 저대비 스캔에서 두각을 나타냈다.
• 10,000개의 임상 스캔을 활용한 노화의 체적 연구에서 SynthSeg+는 고해상도 T1-웨이트드 연구 스캔(1 mm 등방성)에서 관찰된皮质 및 해마 위축 궤적을 밀도적으로 재현하였다.
• 특히 저해상도 스캔에서 SynthSeg 및 연쇄 네트워크보다 외곽선 비율이 크게 감소하여 인구 수준의 연구에서 통계적 검증력을 향상시켰다.
• 디노이저 D를 네트워크 계층 구조 내부에 통합한 것이 후처리 단계보다 더 정확하고 해부학적으로 타당한 분할을 이끌어냈다.