[论文解读] Brain Atlas Guided Attention U-Net for White Matter Hyperintensity Segmentation

Zicong Zhang, Kimerly Powell+5 more|PubMed|Oct 19, 2020

Acute Ischemic Stroke Management参考文献 26被引用 4

一句话总结

该论文提出了一种新型深度学习模型——脑图谱引导注意力U-Net（BAGAU-Net），仅使用FLAIR MRI扫描和空间配准的白质（WM）脑图谱，即可实现白质高信号（WMH）分割的最先进性能，无需T1加权图像。通过结合双路径架构与多输入注意力及注意力融合模块，BAGAU-Net利用先验解剖知识，在两个公开数据集上实现了与依赖T1图像的方法相当或更优的性能。

ABSTRACT

White Matter Hyperintensities (WMH) are the most common manifestation of cerebral small vessel disease (cSVD) on the brain MRI. Accurate WMH segmentation algorithms are important to determine cSVD burden and its clinical con-sequences. Most of existing WMH segmentation algorithms require both fluid attenuated inversion recovery (FLAIR) images and T1-weighted images as inputs. However, T1-weighted images are typically not part of standard clinical scans which are acquired for patients with acute stroke. In this paper, we propose a novel brain atlas guided attention U-Net (BAGAU-Net) that leverages only FLAIR images with a spatially-registered white matter (WM) brain atlas to yield competitive WMH segmentation performance. Specifically, we designed a dual-path segmentation model with two novel connecting mechanisms, namely multi-input attention module (MAM) and attention fusion module (AFM) to fuse the information from two paths for accurate results. Experiments on two publicly available datasets show the effectiveness of the proposed BAGAU-Net. With only FLAIR images and WM brain atlas, BAGAU-Net outperforms the state-of-the-art method with T1-weighted images, paving the way for effective development of WMH segmentation. Availability: https://github.com/Ericzhang1/BAGAU-Net.

研究动机与目标

• 为解决临床中准确分割WMH需要T1加权图像这一局限，而该类图像在急性卒中方案中常被省略。
• 开发一种深度学习模型，利用公开的白质脑图谱作为先验知识，以在无T1扫描的情况下提升分割性能。
• 提出一种对现实临床约束具有鲁棒性的方法，特别是在时间敏感的急性卒中场景中，T1序列通常未被采集。
• 通过在双路径U-Net架构中引入注意力机制整合解剖先验，提升模型可解释性与性能。

提出的方法

• BAGAU-Net采用双路径U-Net架构：一条路径处理FLAIR图像，另一条路径编码空间配准的白质脑图谱。
• 该模型引入多输入注意力模块（MAM），在编码与解码过程中动态关注来自FLAIR和图谱路径的特征。
• 在最终预测步骤应用注意力融合模块（AFM），以融合来自两条路径的多尺度特征，增强特征表示。
• 网络通过二元交叉熵损失与Dice损失端到端训练，以优化分割性能。
• 白质脑图谱通过非刚性配准预先注册到FLAIR空间，以确保解剖一致性。
• 该方法在两个数据集上进行评估：2017年MICCAI WMH挑战赛数据集与ABVIB数据集，采用标准指标（包括Dice相似系数DSC）进行评估。

实验结果

研究问题

• RQ1 仅使用FLAIR图像和白质脑图谱，深度学习模型能否在不依赖T1加权图像的情况下实现具有竞争力的WMH分割性能？
• RQ2 基于注意力的特征融合机制在结合FLAIR与图谱特征以提升分割精度方面效果如何？
• RQ3 将来自白质图谱的先验解剖知识整合是否能带来优于依赖T1加权图像的最先进方法的性能？
• RQ4 所提出的双路径架构结合MAM与AFM模块，能否在影像序列有限的临床场景中提升分割的鲁棒性与可解释性？

主要发现

• 在2017年MICCAI WMH挑战赛数据集上，BAGAU-Net实现了82.02%的Dice相似系数（DSC），优于需要T1加权图像的最先进方法。
• 在ABVIB数据集上，BAGAU-Net实现了81.45%的DSC，表明其在不同临床队列中具有稳定的性能表现。
• 消融实验表明，MAM与AFM均显著提升了分割性能，DSC从基线的80.52%提升至82.02%（两者均包含时）。
• 在MICCAI数据集上，模型平均DSC达到82.02%，超过以往自动化WMH分割方法报告的平均DSC 0.73。
• 视觉对比显示，BAGAU-Net的分割结果与使用FLAIR和T1图像的方法相当，表明其在极简输入下具有强大的泛化能力。
• 该模型对T1序列缺失表现出鲁棒性，适用于T1扫描通常未被采集的急性卒中场景。