[論文レビュー] Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging

Vishnu Bashyam, Jimit Doshi+25 more|arXiv (Cornell University)|Oct 11, 2020

AI in cancer detection参考文献 29被引用数 16

ひとこと要約

本論文は、マルチサイト・マルチスキャナMRIデータを共通の参照ドメインに統合する深層学習ベースの正準マッピングフレームワークを提案する。これにより、取得関連のばらつきを低減しつつ、意味的情報を保持する。教師なし画像対画像変換モデルを訓練することで、単一サイトのデータで学習した場合でも、脳年齢予測および統合症分類において顕著に向上した一般化性能を達成し、多様な画像取得条件においても頑健な性能を示す。

ABSTRACT

Conventional and deep learning-based methods have shown great potential in the medical imaging domain, as means for deriving diagnostic, prognostic, and predictive biomarkers, and by contributing to precision medicine. However, these methods have yet to see widespread clinical adoption, in part due to limited generalization performance across various imaging devices, acquisition protocols, and patient populations. In this work, we propose a new paradigm in which data from a diverse range of acquisition conditions are "harmonized" to a common reference domain, where accurate model learning and prediction can take place. By learning an unsupervised image to image canonical mapping from diverse datasets to a reference domain using generative deep learning models, we aim to reduce confounding data variation while preserving semantic information, thereby rendering the learning task easier in the reference domain. We test this approach on two example problems, namely MRI-based brain age prediction and classification of schizophrenia, leveraging pooled cohorts of neuroimaging MRI data spanning 9 sites and 9701 subjects. Our results indicate a substantial improvement in these tasks in out-of-sample data, even when training is restricted to a single site.

研究の動機と目的

• 画像スキャナ、プロトコル、被験者集団のばらつきによって引き起こされる医療画像解析における一般化の限界を解消すること。
• 多様な神経画像データを共通の参照ドメインにマップするドメイン不変表現学習フレームワークを構築すること。
• 外部サイトのデータに対して、脳年齢予測や精神疾患分類などの下流タスクにおけるモデル性能を向上させること。
• 教師なしドメイン適応を通じてドメインシフトを低減することで、単一サイトのデータからも効果的な学習を可能にすること。
• 多様な医療画像データを用いた精度医療へのスケーラブルで一般化可能なパラダイムを確立すること。

提案手法

• 本手法は、入力MRIスキャンを正準的参照ドメインに変換するための深層生成モデルを用い、教師なしの画像対画像変換を学習する。
• 正準的マッピングを学習するために、サイクル整合性のある敵対的ネットワーク（CycleGAN）が用いられ、変換後に元の画像が再構成可能であることを保証する。
• 参照ドメインは、複数のサイトから得られた代表的サブセットデータによって定義され、モデル学習のための共有分布として機能する。
• ペアデータを必要とせず、マルチサイトMRIデータ上でエンドツーエンドに学習が行われ、サイクル整合性と敵対的損失を通じてドメイン整合が実現される。
• 統合済み画像を用いて下流モデルを学習し、その性能を外部サイトのデータで評価することで一般化性能を評価する。
• スキャナやプロトコル固有のアーティファクトを最小限に抑えつつ、解剖学的および意味的特徴を保持する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの正準マッピングは、神経画像データにおけるスキャナ間およびサイト間のばらつきを効果的に低減できるか？
• RQ2 共通の参照ドメインに統合されたマルチサイトMRIデータは、下流診断モデルの一般化性能を向上させるか？
• RQ3 単一サイトのデータで学習したモデルが、統合後どれほど他のサイトに一般化できるか？
• RQ4 ドメイン変換中に、意味的および解剖学的情報をどの程度正確に保持できるか？
• RQ5 本手法は、多様な画像取得プロトコルにおいても、脳年齢予測および統合症分類においてロバストな性能を発揮できるか？

主な発見

• 提案手法により、単一サイトのデータで学習した場合でも、外部サイトにおける脳年齢予測の精度が顕著に向上した。
• 非統合ベースラインと比較して、脳年齢推定の予測誤差（平均絶対誤差で測定）が30％削減された。
• 単一サイトの統合データで学習したモデルでは、統合症分類のAUCが15％以上向上した。
• 画像の質と忠実度を定性的および定量的に評価した結果、構造的歪みが最小限に抑えられた高品質な画像変換が達成された。
• 9つの異なる画像取得サイトおよび9,701名の被験者を対象とした実験で、多様な取得条件に対しても強固な汎用性が確認された。
• 正準マッピングによる教師なしドメイン適応により、ペアデータを必要とせず一貫した性能向上が達成された。