[論文レビュー] Simultaneous lesion and neuroanatomy segmentation in Multiple Sclerosis using deep neural networks

Richard McKinley, Rik Wepfer+11 more|arXiv (Cornell University)|Jan 22, 2019

Multiple Sclerosis Research Studies参考文献 48被引用数 12

ひとこと要約

本研究では、マルチコントラストMRIにおける複数の多発性硬化症病変および脳構造の同時セグメンテーションを目的とした、3Dから2Dへの畳み込みニューラルネットワークを用いた深層学習フレームワーク（DeepSCAN）を提案する。この手法は病変検出において人間レーティングレベルの一致を達成し、既存の手法を上回る性能を示し、特に追加の解剖的ラベルを用いて訓練した場合、外部施設データへの一般化性能が顕著に向上する。

ABSTRACT

Segmentation of white matter lesions and deep grey matter structures is an important task in the quantification of magnetic resonance imaging in multiple sclerosis. In this paper we explore segmentation solutions based on convolutional neural networks (CNNs) for providing fast, reliable segmentations of lesions and grey-matter structures in multi-modal MR imaging, and the performance of these methods when applied to out-of-centre data. We trained two state-of-the-art fully convolutional CNN architectures on the 2016 MSSEG training dataset, which was annotated by seven independent human raters: a reference implementation of a 3D Unet, and a more recently proposed 3D-to-2D architecture (DeepSCAN). We then retrained those methods on a larger dataset from a single centre, with and without labels for other brain structures. We quantified changes in performance owing to dataset shift, and changes in performance by adding the additional brain-structure labels. We also compared performance with freely available reference methods. Both fully-convolutional CNN methods substantially outperform other approaches in the literature when trained and evaluated in cross-validation on the MSSEG dataset, showing agreement with human raters in the range of human inter-rater variability. Both architectures showed drops in performance when trained on single-centre data and tested on the MSSEG dataset. When trained with the addition of weak anatomical labels derived from Freesurfer, the performance of the 3D Unet degraded, while the performance of the DeepSCAN net improved. Overall, the DeepSCAN network predicting both lesion and anatomical labels was the best-performing network examined.

研究の動機と目的

• マルチコントラストMRIにおけるMS病変および健全な脳構造の同時セグメンテーションを実現する深層学習モデルの開発。
• スキャナーや施設の違いによる影響を評価するため、外部データでの性能評価を通じて、モデルの転送性および耐障害性を検証すること。
• 弱い解剖的ラベルを追加することで、病変セグメンテーションの性能が向上するかを調査すること。
• 自由に利用可能なツールおよび最先端のモデルと比較し、病変検出およびセグメンテーションの精度を評価すること。
• データセットシフトおよびラベル品質がモデルの一般化性能に与える影響を評価すること。

提案手法

• 2016年MSSEGトレーニングデータセットを用い、7名のヒューマンレーティングによるアノテーションをもとに、3D完全畳み込みニューラルネットワークアーキテクチャ（3D U-NetおよびDeepSCAN）を訓練した。
• 単一センターのより大きなデータセットを用いて、深灰色核構造の追加ラベルあり・なしの両状態でモデルを再訓練した。
• Freesurferから得た弱い解剖的ラベルを用いて、一般化性能の向上を図るためのトレーニングデータの拡張を実施した。
• T1強調、FLAIRおよびT2強調MRI画像系列からの同時予測として、病変および神経解剖学的構造のセグメンテーションマスクを多タスク学習により推定した。
• Dice係数、病変検出のF1スコア、コンSENSUSゴールドスタンダードとのオーバーラップ指標を用いて性能を評価した。
• 交差検証およびInsel32およびMSSEGデータセットにおける外部テストを実施し、転送性を評価した。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、MS病変および脳構造の高精度な同時セグメンテーションを達成できるか？
• RQ2 単一センターのデータで訓練したモデルが、マルチセンターのデータでテストされた場合、性能がどの程度低下するか？
• RQ3 Freesurferから得た弱い解剖的ラベルを組み込むことで、病変セグメンテーションの性能が向上するか？
• RQ4 LSTのような自由に利用可能なツールと比較して、本手法の検出およびセグメンテーションの正確さはどの程度優れているか？
• RQ5 病変検出における誤検出および見逃しの多くが、モデルの失敗ではなく、ラベル付けの誤りに起因するのか、その程度はどの程度か？

主な発見

• DeepSCANネットワークは、テストされたすべてのモデルの中で最高の性能を示し、MSSEGデータセットにおいてDice係数0.59を達成し、人間レーティング間のばらつきに近づいた。
• 両アーキテクチャとも、MSSEGデータセットにおける交差検証で既存手法を上回り、人間レーティングとの一致度が人間間のばらつきと同等であった。
• 単一センターのデータで訓練したモデルをMSSEGデータセットでテストした場合、性能が著しく低下した。これはドメインシフトの影響を示している。
• Freesurferから得た解剖的ラベルの追加により、DeepSCANの性能は向上したが、3D U-Netの性能は低下した。これは、アーキテクチャごとの補助監視への感受性の違いを示している。
• DeepSCANが見逃した777個の病変のうち75％（579個）が、神経放射線科医によって人間レーティングの誤標籤と判断された。これは、多くの「誤検出」がアーチファクトや正常構造である可能性を示している。
• 372個の誤検出病変のうち137個（37％）は、レーティングの見逃しによる真正の病変であった。これは、Dice係数のみに依存する指標よりも、F1スコアが病変検出の性能をより的確に反映していることを示している。