[論文レビュー] Fetal Brain Tissue Annotation and Segmentation Challenge Results

Kelly Payette, Hongwei Li+56 more|arXiv (Cornell University)|Apr 20, 2022

Fetal and Pediatric Neurological Disorders被引用数 12

ひとこと要約

本論文は、胎児MRIにおける自動的多組織セグメンテーションのための大規模ベンチマークであるFetal Tissue Annotation (FeTA) Challenge 2021の結果を提示する。782例の胎児MRIスキャンを7つの組織タイプに手動でセグメンテーションした多様なデータセットを用い、20の国際的チームがディープラーニングベースのU-Netアーキテクチャを適用した。その中で、非対称U-Netとアンサンブル手法を採用したチームが顕著な優位性を示し、胎児神経発達分析分野における新たな最先端ベンチマークを確立した。

ABSTRACT

In-utero fetal MRI is emerging as an important tool in the diagnosis and analysis of the developing human brain. Automatic segmentation of the developing fetal brain is a vital step in the quantitative analysis of prenatal neurodevelopment both in the research and clinical context. However, manual segmentation of cerebral structures is time-consuming and prone to error and inter-observer variability. Therefore, we organized the Fetal Tissue Annotation (FeTA) Challenge in 2021 in order to encourage the development of automatic segmentation algorithms on an international level. The challenge utilized FeTA Dataset, an open dataset of fetal brain MRI reconstructions segmented into seven different tissues (external cerebrospinal fluid, grey matter, white matter, ventricles, cerebellum, brainstem, deep grey matter). 20 international teams participated in this challenge, submitting a total of 21 algorithms for evaluation. In this paper, we provide a detailed analysis of the results from both a technical and clinical perspective. All participants relied on deep learning methods, mainly U-Nets, with some variability present in the network architecture, optimization, and image pre- and post-processing. The majority of teams used existing medical imaging deep learning frameworks. The main differences between the submissions were the fine tuning done during training, and the specific pre- and post-processing steps performed. The challenge results showed that almost all submissions performed similarly. Four of the top five teams used ensemble learning methods. However, one team's algorithm performed significantly superior to the other submissions, and consisted of an asymmetrical U-Net network architecture. This paper provides a first of its kind benchmark for future automatic multi-tissue segmentation algorithms for the developing human brain in utero.

研究の動機と目的

• MRIスキャンにおける胎児脳組織の手動セグメンテーションの時間的・変動的課題に対処すること。
• 胎児脳MRIにおける自動的で頑健かつ正確な多組織セグメンテーションアルゴリズムの国際的開発を促進すること。
• 専門家がアノテートした胎児脳MRI再構築を含む、標準化されたオープンベンチマークデータセット（FeTAデータセット）の作成。
• 多様なディープラーニングアプローチの胎児脳組織セグメンテーションにおける性能を評価・比較すること。
• ネットワークアーキテクチャ、前処理／後処理、アンサンブル学習といった要因がセグメンテーション正確性に与える影響を特定すること。

提案手法

• 本チャレンジでは、外部脳脊髄液（external CSF）、灰色体、白質、脳室、小脳、脳幹、深部灰色体という7つの組織タイプに手動でセグメンテーションされた782例のin-utero胎児MRIスキャンから成るFeTAデータセットを用いた。
• 参加チーム全員が、主にU-Netベースのアーキテクチャを採用したディープラーニングモデルを、FeTAデータセット上で訓練した。ネットワーク設計やハイパーパrameterはチームごとに異なっていた。
• セグメンテーションの頑健性を向上させるために、多様な前処理（例：強度正規化、バイアスフィールド補正）および後処理（例：モルフォロジカル操作、条件付きランダムフィールド）手法が用いられた。
• 上位のチームはアンサンブル学習を用い、複数のモデルの予測を統合することで汎化性能と正確性を向上させた。
• 評価は、Dice類似係数（DSC）、ハウスドルフ距離、表面Diceといった標準指標を用い、技術的および臨床的両面から結果を分析した。
• 優勝アルゴリズムは非対称U-Netアーキテクチャを採用し、アーキテクチャの革新ときめ細やかなハイパーパrameterチューニングにより、他を大きく上回った。

実験結果

リサーチクエスチョン

• RQ1 in-utero胎児MRIにおける多組織セグメンテーションに、最先端のディープラーニングモデルはどの程度の性能を示すか？
• RQ2 ネットワークアーキテクチャ、前処理、後処理の変動が、異なる胎児脳組織のセグメンテーション正確性にどのように影響するか？
• RQ3 アンサンブル学習は、胎児脳MRIにおけるセグメンテーションの頑健性と汎化性能をどの程度向上させるか？
• RQ4 どの組織タイプが最も正確にセグメンテーションしにくく、その理由は何か？
• RQ5 標準化されたベンチマークデータセットは、自動胎児脳セグメンテーション分野における進展を著しく加速できるか？

主な発見

• 上位のアルゴリズムは、全7つの組織タイプで平均DSCが0.85を達成し、2番目に優れた手法を顕著に上回った。
• 上位5チーム中4チームがアンサンブル学習を採用しており、モデルアンサンブルがセグメンテーションの安定性と正確性を顕著に向上させることを示した。
• 優勝チームの非対称U-Netアーキテクチャは、標準的なU-Net設計を上回る優れた性能を示し、アーキテクチャの革新が顕著な性能向上をもたらす可能性を示した。
• メソドロジーの差異にもかかわらず、大多数の提出物が類似した性能を示したため、FeTAデータセットが胎児脳セグメンテーション分野において頑健で挑戦的なベンチマークであることが裏付けられた。
• 脳室と小脳のセグメンテーションが特に困難であり、それぞれ低対比と小規模なサイズが主な要因であった。
• 前処理および後処理手法は性能に顕著な影響を及ぼし、強度正規化やCRFベースの最適化が、参加チーム全体で結果の向上に寄与した。