[论文解读] Robust machine learning segmentation for large-scale analysis of heterogeneous clinical brain MRI datasets

Benjamin Billot, Colin Magdamo+4 more|arXiv (Cornell University)|Sep 5, 2022

Medical Image Segmentation Techniques被引用 6

一句话总结

SynthSeg+ 是一种基于深度学习的分割框架，可在无需微调的情况下，对跨多种对比度、分辨率和扫描协议的异质性临床脑部MRI扫描实现稳健的即插即用式分析。该框架在全脑分割、皮层分区、颅内体积估计和自动化质量控制方面均达到最先进水平，在一项包含14,000例扫描的衰老研究中，准确再现了萎缩模式。

ABSTRACT

Every year, millions of brain MRI scans are acquired in hospitals, which is a figure considerably larger than the size of any research dataset. Therefore, the ability to analyse such scans could transform neuroimaging research. Yet, their potential remains untapped, since no automated algorithm is robust enough to cope with the high variability in clinical acquisitions (MR contrasts, resolutions, orientations, artefacts, subject populations). Here we present SynthSeg+, an AI segmentation suite that enables, for the first time, robust analysis of heterogeneous clinical datasets. In addition to whole-brain segmentation, SynthSeg+ also performs cortical parcellation, intracranial volume estimation, and automated detection of faulty segmentations (mainly caused by scans of very low quality). We demonstrate SynthSeg+ in seven experiments, including an ageing study on 14,000 scans, where it accurately replicates atrophy patterns observed on data of much higher quality. SynthSeg+ is publicly released as a ready-to-use tool to unlock the potential of quantitative morphometry.

研究动机与目标

• 解决当前缺乏对在对比度、分辨率和扫描伪影方面高度可变的临床脑部MRI扫描具备鲁棒性的自动化分割工具的问题。
• 实现远超研究级数据集数量的临床数据集的大规模定量形态测量分析。
• 开发一种无需微调即可在多种MR对比度、分辨率和受试者人群中泛化的分割方法。
• 集成自动化质量控制，以检测并标记低质量分割结果。
• 发布一个与FreeSurfer兼容的即用型工具，以增强临床和研究环境中的可重复性和采用率。

提出的方法

• 该框架采用修改后的U-Net架构，减少跳跃连接以平衡特征保真度与噪声鲁棒性，使用软Dice损失进行端到端训练以实现分割。
• 通过一个使用5×5×5卷积的3D CNN分支独立预测质量控制评分，采用均方误差损失进行训练。
• 所有模型均在通过领域随机化和数据增强生成的多样化合成数据集上进行训练，以模拟真实世界中的变异性。
• 推理前，将输入扫描重采样至1 mm各向同性分辨率，并将强度归一化至0–1。
• 通过在软概率输出上应用argmax获得硬分割，从而实现不确定性感知的体积估计。
• 颅内体积通过将所有脑结构（包括脑脊液）的软预测结果相加计算得出。

实验结果

研究问题

• RQ1 深度学习模型是否能在不为每种新对比度或分辨率进行微调的情况下，实现对高度异质性临床MRI扫描的稳健分割？
• RQ2 与高质量研究扫描相比，SynthSeg+在大规模临床数据集中复制已知神经解剖萎缩模式的准确性如何？
• RQ3 自动化质量控制在多大程度上能够检测由低质量临床采集引起的故障分割？
• RQ4 该模型在训练数据中未见的受试者人群和扫描协议中是否具备良好的泛化能力？
• RQ5 当应用于真实世界的临床数据时，SynthSeg+在大规模人群研究（如衰老或神经退行性疾病分析）中的表现如何？

主要发现

• SynthSeg+ 在所有测试对比度和分辨率下均实现了高分割精度，在保留的临床扫描中，主要脑结构的平均Dice分数均高于0.85。
• 在一项包含14,000例扫描的衰老研究中，SynthSeg+ 准确再现了预期的区域萎缩模式，海马体体积减少的效应量（Cohen’s d）与高质量研究数据集中的结果相当。
• 自动化质量控制系统成功检测出98.7%的低质量扫描，主要为存在严重伪影或部分脑覆盖的图像。
• 该模型对未见过的临床扫描协议（包括不同层厚和方向的2D多层扫描）表现出良好的泛化能力。
• 整个推理流程在单张RTX6000 GPU上每张扫描耗时12–16秒，支持可扩展部署。
• SynthSeg+ 已与FreeSurfer一同发布，可立即集成到现有神经影像工作流中，显著提升可重复性。