[論文レビュー] A multi-path 2.5 dimensional convolutional neural network system for segmenting stroke lesions in brain MRI images

Yunzhe Xue, Fadi G. Farhat+5 more|arXiv (Cornell University)|May 26, 2019

Acute Ischemic Stroke Management参考文献 46被引用数 4

ひとこと要約

本論文では、3つの解剖的平面（ coronal, sagittal, axial）からのT1およびT1+FLAIR MRIスライスを複数の正規化手法を用いて処理するマルチパス2.5次元畳み込みニューラルネットワークを提案し、3次元畳み込みニューラルネットワークを用いて特徴を統合することで、脳卒中病変のセグメンテーションを向上させる。クロススタディバリデーションにおいて、本手法は平均Dice係数0.54を達成し、標準UNetを含む先行モデルを著しく上回り、人的専門家レベルの精度に近づいた。

ABSTRACT

Automatic identification of brain lesions from magnetic resonance imaging (MRI) scans of stroke survivors would be a useful aid in patient diagnosis and treatment planning. We propose a multi-modal multi-path convolutional neural network system for automating stroke lesion segmentation. Our system has nine end-to-end UNets that take as input 2-dimensional (2D) slices and examines all three planes with three different normalizations. Outputs from these nine total paths are concatenated into a 3D volume that is then passed to a 3D convolutional neural network to output a final lesion mask. We trained and tested our method on datasets from three sources: Medical College of Wisconsin (MCW), Kessler Foundation (KF), and the publicly available Anatomical Tracings of Lesions After Stroke (ATLAS) dataset. Cross-study validation results (with independent training and validation datasets) were obtained to compare with previous methods based on naive Bayes, random forests, and three recently published convolutional neural networks. Model performance was quantified in terms of the Dice coefficient. Training on the KF and MCW images and testing on the ATLAS images yielded a mean Dice coefficient of 0.54. This was reliably better than the next best previous model, UNet, at 0.47. Reversing the train and test datasets yields a mean Dice of 0.47 on KF and MCW images, whereas the next best UNet reaches 0.45. With all three datasets combined, the current system compared to previous methods also attained a reliably higher cross-validation accuracy. It also achieved high Dice values for many smaller lesions that existing methods have difficulty identifying. Overall, our system is a clear improvement over previous methods for automating stroke lesion segmentation, bringing us an important step closer to the inter-rater accuracy level of human experts.

研究の動機と目的

• 脳MRIにおける脳卒中病変のセグメンテーションを自動化し、専門家による時間のかかる手動セグメンテーションを排除すること。
• 2次元CNNが1つの平面しか分析しないという制限を克服し、複数の平面および複数モodalなMRIビューを統合すること。
• 従来の手法がしばしば見逃す小規模または微細な病変の検出を向上させること。
• 複数の機関から得た多様なデータセットを用いて検証された、頑健で一般化可能なシステムの開発。
• 自動化された病変セグメンテーションの精度を、人的専門家の間で認められる信頼性に近づけること。

提案手法

• 本システムは、3つの解剖的平面（axial, coronal, sagittal）のうち1つから2次元MRIスライスを処理する9つのエンドツーエンドUNetアーキテクチャを用いる。各アーキテクチャは3種類の異なる正規化手法を適用する。
• 各2次元パスは、T1強調およびT1+FLAIR MRIシーケンスからの特徴を抽出し、病変のコントラストに感度を高める。
• 9つの2次元パスの出力を3次元特徴ボリュームに連結することで、平面間の空間的文脈を保持する。
• 融合された3次元特徴ボリュームは、3次元畳み込みニューラルネットワークによって処理され、最終的な病変マスクが生成される。
• モデルはMCW、ケスラー財団、ATLASのデータセットを用いてエンドツーエンドに訓練され、一般化を保証するためクロススタディバリデーションが実施される。
• データ拡張および正規化戦略が適用され、多様なスキャンプロトコルおよび病変タイプにわたる頑健性が向上する。

実験結果

リサーチクエスチョン

• RQ1 標準的な2次元UNetモデルと比較して、マルチパス2.5次元CNNアーキテクチャは脳卒中病変セグメンテーションの精度を向上させることができるか？
• RQ2 T1およびT1+FLAIRの複数のMRIコントラストと複数の解剖的平面を統合することで、小規模または微細な病変の検出が向上するか？
• RQ3 異なる機関のデータセット、特にスキャンパラメータや病変特性が異なるデータセットに対しても、モデルは一般化可能か？
• RQ4 Dice係数の観点から、モデルの性能は人的専門家の間で認められる信頼性（inter-rater reliability）と比較してどの程度の水準にあるか？
• RQ5 急性/亜急性および慢性の脳卒中病変の両方において、本システムは高いセグメンテーション精度を達成できるか？

主な発見

• ケスラー財団およびMCWデータセットで学習し、ATLASでテストした場合、モデルは平均Dice係数0.54を達成し、次に優れたモデル（UNet）の0.47を著しく上回った。
• ATLASで学習し、ケスラーおよびMCWでテストした場合、モデルは平均Dice係数0.47を達成し、次に優れたUNetモデルの0.45を上回った。
• 統合されたデータセットを用いた5分割交差検証では、平均Dice係数が0.62を達成し、人的専門家の間で認められる信頼性（0.67–0.73）に近づいた。
• 本モデルは、従来の自動化手法がしばしば見逃す小規模な病変においても優れた性能を示した。
• 統計的分析では、ベースライン手法よりも顕著な改善が確認され、特にT1+FLAIRシーケンスでの病変検出においてp値 < 0.05の有意差が得られた。
• 本システムは、亜急性および慢性の病変の両方、および虚血性および出血性の病変の両方において頑健な性能を示し、広範な臨床的応用可能性を示した。