[논문 리뷰] Towards contrast-agnostic soft segmentation of the spinal cord

Sandrine Bédard, Enamundram Naga Karthik외 6명|arXiv (Cornell University)|2023. 10. 23.

Medical Imaging and Analysis인용 수 6

한 줄 요약

이 논문은 다중 대trast MRI 데이터를 사용하여 소프트 척수 세분화를 위한 대비 무관(contrast-agnostic) 딥러닝 방법을 제안한다. 참가자별 소프트 진정값은 6개의 대비를 평균하여 생성하고, 회귀 손실을 사용하여 UNet을 훈련시킨다. 이 방법은 대비 간 CSA 변동성을 감소시키며, 제조사, 대비, 병변 유형에 걸쳐 더 잘 일반화되며, 부분 체적 효과를 고려한다.

ABSTRACT

Spinal cord segmentation is clinically relevant and is notably used to compute spinal cord cross-sectional area (CSA) for the diagnosis and monitoring of cord compression or neurodegenerative diseases such as multiple sclerosis. While several semi and automatic methods exist, one key limitation remains: the segmentation depends on the MRI contrast, resulting in different CSA across contrasts. This is partly due to the varying appearance of the boundary between the spinal cord and the cerebrospinal fluid that depends on the sequence and acquisition parameters. This contrast-sensitive CSA adds variability in multi-center studies where protocols can vary, reducing the sensitivity to detect subtle atrophies. Moreover, existing methods enhance the CSA variability by training one model per contrast, while also producing binary masks that do not account for partial volume effects. In this work, we present a deep learning-based method that produces soft segmentations of the spinal cord. Using the Spine Generic Public Database of healthy participants ($ ext{n}=267$; $ ext{contrasts}=6$), we first generated participant-wise soft ground truth (GT) by averaging the binary segmentations across all 6 contrasts. These soft GT, along with aggressive data augmentation and a regression-based loss function, were used to train a U-Net model for spinal cord segmentation. We evaluated our model against state-of-the-art methods and performed ablation studies involving different loss functions and domain generalization methods. Our results show that using the soft segmentations along with a regression loss function reduces CSA variability ($p < 0.05$, Wilcoxon signed-rank test). The proposed spinal cord segmentation model generalizes better than the state-of-the-art methods amongst unseen datasets, vendors, contrasts, and pathologies (compression, lesions), while accounting for partial volume effects.

연구 동기 및 목표

• 기존 세분화 방법에서 MRI 대비 의존성으로 인해 발생하는 척수 횡단면적(CSA) 측정의 변동성을 해결하기 위해.
• 다양한 대비에서 유도된 소프트 진정값을 사용해 단일 모델을 훈련시켜 대비 간 CSA 변동성을 감소시키기 위해.
• 다양한 훈련 데이터를 활용해 미리 보지 않은 제조사, 대비, 병변(예: 병변, 압박)에 대해 일반화 능력을 향상시키기 위해.
• 이중 마스크가 조직 경계의 불확실성을 忽시하는 것을 방지하기 위해 부분 체적 효과를 고려한 소프트 세분화를 통해.
• 임상 및 다기관 연구에서 강력한 다중 대비 척수 형태 측정 기반 모델을 개발하기 위해.

제안 방법

• 스피인 제너릭 퍼블릭 데이터베이스(n=267)에서 제공하는 6개의 대비(T1w, T2w, T2w-SPACE, T2w-TSE, T2w-TSE-SPACE, T2w-TSE-SPACE-3D)의 이진 세분화를 평균하여 참가자별 소프트 진정값을 생성하였다.
• 모델의 강건성과 일반화 능력을 향상시키기 위해 강력한 데이터 증강(회전, 뒤집기, 스케일링, 강도 왜곡)을 적용하였다.
• 이중 마스크가 아닌 소프트 세분화 마스크를 예측하기 위해 회귀 기반 손실 함수를 사용한 UNet 기반 딥러닝 모델을 훈련시켰다.
• 사전 처리 단계에서 척수는 중심에 위치한다고 가정하고 중심 자르기 전략을 사용하였으며, 척추측곡, 요추부 등 특수 케이스에 대비해 설정 가능한 플래그를 제공하였다.
• CSA 변동성 분석을 위해 윌콕슨 부호순위 검정을 사용하고, 최신 기술의 대비별 모델(예: soft_per_contrast T2w, DeepSeg2D)과 성능을 비교하였다.
• 소프트 진정값, 손실 함수, 대비별 모델의 유형을 변화시킨 아블레이션 연구를 수행하여 소프트 진정값과 회귀 손실의 기여도를 분리하였다.

Figure 1: Preprocessing pipeline for soft average segmentations ground truth. (1) Automatic hard spinal cord segmentation using sct_deepseg_sc & manual corrections; (2) Registration to T2w space; (3) Applying each contrast’s warping field to bring the segmentation masks to the T2w space; (4) Averagi

실험 결과

연구 질문

• RQ1 다양한 대비에서 유도된 소프트 진정값이 MRI 시퀀스 간 CSA 변동성을 감소시키는가?
• RQ2 이중 교차 엔트로피 손실과 비교해 회귀 기반 손실 함수가 새로운 MRI 대비 및 제조사에 대해 일반화 능력을 향상시키는가?
• RQ3 다중 대비 데이터로 훈련된 단일 딥러닝 모델이 병변 및 척수압박과 같은 새로운 병변에 일반화 가능한가?
• RQ4 이중 세분화에 비해 소프트 세분화가 부분 체적 효과를 얼마나 효과적으로 완화하는가?
• RQ5 CSA 일관성과 일반화 성능 측면에서 이전의 대비별 모델과 비교해 본 모델의 성능은 어떠한가?

주요 결과

• 소프트 진정값과 회귀 손실을 사용한 제안된 모델은 모든 6개의 대비에서 CSA 변동성이 유의미하게 감소하였다(p < 0.05, 윌콕슨 부호순위 검정).
• 모델은 새로운 데이터셋, 제조사, 대비, 병변(병변, 척수압박 포함)에 대해 최신 기술의 대비별 방법보다 더 잘 일반화되었다.
• 소프트 세분화는 병변이 존재할 경우 이중 마스크 기반 모델에 비해 경계 구분 능력이 향상되었다.
• 아블레이션 연구를 통해 소프트 진정값과 회귀 손실이 CSA 변동성 감소와 일반화 능력 향상에 핵심 기여 요소임을 확인하였다.
• 모델는 새로운 대비와 병변에 대해 강력한 성능을 보였으며, 강력한 제로샷 일반화 잠재력을 보였다.
• 대비 유도 형태 측정 편향을 최소화함으로써 미세한 척수 위축을 보다 민감하게 탐지할 수 있는 잠재력을 보였다.

Figure 2: Architecture of the proposed SoftSeg model.