[논문 리뷰] SynthSeg: Segmentation of brain MRI scans of any contrast and resolution without retraining

Benjamin Billot, Douglas N. Greve외 6명|arXiv (Cornell University)|2021. 07. 20.

Radiomics and Machine Learning in Medical Imaging인용 수 28

한 줄 요약

SynthSeg는 라벨 맵에서 생성된 합성 데이터를 활용하고 전체 도메인 랜덤라이제이션을 적용해 다양한 대비와 해상도에서 뇌 MRI를 분할하도록 학습하여 새로운 도메인에서 재학습이 필요 없도록 한다.

ABSTRACT

Despite advances in data augmentation and transfer learning, convolutional neural networks (CNNs) difficultly generalise to unseen domains. When segmenting brain scans, CNNs are highly sensitive to changes in resolution and contrast: even within the same MRI modality, performance can decrease across datasets. Here we introduce SynthSeg, the first segmentation CNN robust against changes in contrast and resolution. SynthSeg is trained with synthetic data sampled from a generative model conditioned on segmentations. Crucially, we adopt a domain randomisation strategy where we fully randomise the contrast and resolution of the synthetic training data. Consequently, SynthSeg can segment real scans from a wide range of target domains without retraining or fine-tuning, which enables straightforward analysis of huge amounts of heterogeneous clinical data. Because SynthSeg only requires segmentations to be trained (no images), it can learn from labels obtained by automated methods on diverse populations (e.g., ageing and diseased), thus achieving robustness to a wide range of morphological variability. We demonstrate SynthSeg on 5,000 scans of six modalities (including CT) and ten resolutions, where it exhibits unparalleled generalisation compared with supervised CNNs, state-of-the-art domain adaptation, and Bayesian segmentation. Finally, we demonstrate the generalisability of SynthSeg by applying it to cardiac MRI and CT scans.

연구 동기 및 목표

• 다양한 임상 영상 프로토콜에 걸친 견고한 뇌 MRI 분할을 촉진한다.
• 보지 못한 대비/해상도 도메인에 직면했을 때 재학습과 미세조정을 제거한다.
• 라벨 맵에서 생성된 합성 학습 데이터를 활용해 도메인에 독립적인 특징을 학습한다.
• MRI 외의 모달리티와 심장 영상까지 포함한 강한 교차 도메인 일반화를 보여준다.

제안 방법

• 완전 랜덤화된 생성 모델을 사용하여 라벨 맵으로부터 합성 3D 학습 이미지를 생성한다.
• 라벨 맵에 무작위 어파인 변환과 비선형 변형을 적용해 다양한 형태를 만든다.
• GMM 매개변수를 샘플링하고 현실적인 잡음과 바이어스 필드를 더해 다양한 대비를 시뮬레이션한다.
• 저해상도에서 고해상도로의 강건성을 위해 서로 다른 해상도와 슬라이스 간격을 시뮬레이션한다.
• 합성 이미지에만 소프트 Dice 손실을 사용해 3D UNet을 학습하고 테스트 시 증강을 적용한다.
• 원래 테스트와 뒤집은 테스트에서 예측을 평균화하고 고해상도로 재샘플링해 추론을 수행한다.

실험 결과

연구 질문

• RQ1 재학습 없이 대비 및 해상도 불변의 성능을 달성할 수 있는 분割 CNN이 있는가?
• RQ2 합성 데이터의 도메인 랜덤라이제이션이 다양한 모달리티와 해상도에 걸쳐 실제 스캔으로 얼마나 잘 전이되는가?
• RQ3 이 접근법이 MRI를 넘어서 예: 심장 영상에서 효과적인가?

주요 결과

• SynthSeg는 합성 데이터만으로 학습했음에도 훈련 도메인에서 거의 지도학습 수준의 정확도를 달성한다.
• 보지 않은 대비와 해상도에 대해 최신 도메인 적응 및 베이지안 방법보다 일반화가 잘 된다.
• 비 MRI 모달리티와 저해상도 데이터를 포함한 9개 목표 도메인에서 강한 견고성을 보인다.
• 고연령화 및 질병 효과를 포함한 큰 형태학적 변동성에서도 높은 Dice 점수와 낮은 표면 거리를 유지한다.
• 이 접근법은 심장 MRI 및 CT 스캔에 대한 일반화 가능성을 보여주며 모달리티에 구애받지 않는 견고성을 시사한다.