[論文レビュー] White matter hyperintensity and stroke lesion segmentation and differentiation using convolutional neural networks

Ricardo Guerrero, Chen Qin+9 more|arXiv (Cornell University)|Jun 3, 2017

Brain Tumor Detection and Classification参考文献 59被引用数 18

ひとこと要約

本稿では、FLAIR MRIスキャンにおいて白質高信号巣（WMH）を同時にセグメンテーションし、脳卒中病変と区別する完全畳み込みニューラルネットワーク、uResNetを提案する。モデルは、WMHの平均Diceスコア66.9±18.1および脳卒中病変の平均Diceスコア40.0±25.2という最先端の性能を達成し、既存手法を上回り、熟練者による評価および臨床的アウトカムと強い相関を示している。

ABSTRACT

The accurate assessment of White matter hyperintensities (WMH) burden is of crucial importance for epidemiological studies to determine association between WMHs, cognitive and clinical data. The manual delineation of WMHs is tedious, costly and time consuming. This is further complicated by the fact that other pathological features (i.e. stroke lesions) often also appear as hyperintense. Several automated methods aiming to tackle the challenges of WMH segmentation have been proposed, however cannot differentiate between WMH and strokes. Other methods, capable of distinguishing between different pathologies in brain MRI, are not designed with simultaneous WMH and stroke segmentation in mind. In this work we propose to use a convolutional neural network (CNN) that is able to segment hyperintensities and differentiate between WMHs and stroke lesions. Specifically, we aim to distinguish between WMH pathologies from those caused by stroke lesions due to either cortical, large or small subcortical infarcts. As far as we know, this is the first time such differentiation task has explicitly been proposed. The proposed fully convolutional CNN architecture, is comprised of an analysis path, that gradually learns low and high level features, followed by a synthesis path, that gradually combines and up-samples the low and high level features into a class likelihood semantic segmentation. Quantitatively, the proposed CNN architecture is shown to outperform other well established and state-of-the-art algorithms in terms of overlap with manual expert annotations. Clinically, the extracted WMH volumes were found to correlate better with the Fazekas visual rating score. Additionally, a comparison of the associations found between clinical risk-factors and the WMH volumes generated by the proposed method, were found to be in line with the associations found with the expert-annotated volumes.

研究の動機と目的

• FLAIR MRIスキャンにおいて、白質高信号巣（WMH）と脳卒中病変を区別してセグメンテーションできる完全自動でタスク特化された手法の開発。
• 既存手法がWMHと脳卒中病変を区別できないという臨床的限界を解消し、病態および治療への影響が異なる2者を区別可能にする。
• 疫学的研究、臨床試験、縦断的評価への応用を想定した、WMH負荷の定量的評価の正確性と信頼性の向上。
• 競合する自動手法よりも、Fazekas視覚的レーティングスコアおよび臨床的リスク因子と高い相関を達成すること。
• 熟練放射線科医による時間のかかる手動セグメンテーションに依存するのを減らす、臨床応用可能なソリューションの提供。

提案手法

• 提案手法は、特徴抽出のためのエンコーダパスと特徴の統合およびアップサンプリングのためのデコーダパスを有する、uResNetと呼ばれる完全畳み込み型U-Netに類似したアーキテクチャを採用する。
• ボクセル単位の分類確率（健常組織、WMH、脳卒中病変）を予測するために、マルチクラス交差エントロピー損失関数を用いてエンドツーエンドで訓練する。
• 特に小さなまたは不規則な形状の病変に対して、頑健性と一般化性能を向上させるために、トレーニング中にパッチシフト（オフセンター抽出）によるデータ拡張を適用する。
• 病変の局在化を向上させるために、FLAIR、T1強調、白質確率マップ、脳脊髄液（CSF）アトラスを含むマルチコントラストMRIデータを用いて訓練する。
• 完全畳み込み設計により、パッチ単位の推論を避け、3次元ボリューム全体にわたる密な予測が可能となり、空間的一致性が保証される。
• 深層ネットワークにおける勾配の流れの安定化と学習の安定化を図るため、エンコーダにリサルトブロック（ResNetスタイル）を採用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、FLAIR MRIスキャンにおいて白質高信号巣と脳卒中病変を効果的に区別できるか？
• RQ2 提案されたuResNetモデルは、既存の最先端手法と比較して、WMHおよび脳卒中病変セグメンテーションにおいて優れた性能を達成するか？
• RQ3 uResNetによる自動WMHボリュームと熟練者によるアノテーション済みボリュームおよびFazekas視覚的レーティングとの相関度はどの程度か？
• RQ4 自動WMHボリュームは、年齢、高血圧、認知機能などの既知の臨床的関連要因をどの程度適切に反映しているか？
• RQ5 トレーニング中にオフセンターのパッチ抽出を用いることで、小さなまたは不規則な病変に対するモデルの一般化性能と性能が向上するか？

主な発見

• uResNetモデルは、WMHの平均Diceスコア66.9±18.1および脳卒中病変の平均Diceスコア40.0±25.2を達成し、DeepMedicや他の最先端モデルを含むベースライン手法を顕著に上回った。
• 自動WMHボリュームとFazekas視覚的レーティングとの相関（CC = 0.824）は、競合する手法よりも高く、熟練者によるアノテーション済みボリュームとの相関と同等であった。
• モデルは強い臨床的妥当性を示し、WMHボリュームとリスク因子（例：年齢、高血圧）との関連性が、熟練者によるアノテーション済みボリュームで得られたものと密接に一致した。
• オフセンターのパッチ抽出の導入により、Diceスコアが統計的に有意に向上（p<0.001）した。
• 複数の入力コントラスト（例：T1、CSFアトラス、WMマップ）を追加することで性能向上が見られたが、その恩恵は限定的であり、計算コストが増加したため、FLAIR単体でも頑健なセグメンテーションが可能であると示唆された。
• 広範なハイパーパramータチューニングを行ったにもかかわらず、同じトレーニング体制下でDeepMedicは収束せず安定した結果を得られなかったため、uResNetの優れたトレーニング安定性が示された。