[论文解读] A Generalized Network for MRI Intensity Normalization

Attila Simkó, Tommy Löfstedt+3 more|arXiv (Cornell University)|Sep 12, 2019

Medical Image Segmentation Techniques参考文献 7被引用 7

一句话总结

该论文提出GetNet，一种基于深度学习的MRI信号强度归一化方法，其在非医学ImageNet图像上进行训练，以实现跨扫描仪和身体区域的泛化能力。通过利用双分支残差网络估计并去除合成的增益场，GetNet在保持更高精度的同时实现了70倍于N4ITK的处理速度提升，且在未使用真实医学图像进行训练的前提下，于合成MRI数据上表现出卓越的鲁棒性能。

ABSTRACT

Image normalization, the correction for intra-volume inhomogeneities in magnetic resonance imaging (MRI) data has little significance for visual diagnosis, but is a crucial step before automated radiotherapy solutions. There are several well-established normalization methods, however they are usually time expensive and difficult to tune for a specific dataset. In this study, we show how an artificial neural network (ANN) can be trained on non-medical images --- making the model general --- for intensity normalization on medical MRI images. Compared to one of the most well-known correction methods, N4ITK, the trained network achieves a higher accuracy with a speedup-factor of almost 70.

研究动机与目标

• 开发一种可在多种扫描仪和解剖区域间保持良好性能的可泛化MRI信号强度归一化方法。
• 消除在训练深度学习模型进行信号强度归一化时对医学图像的依赖。
• 在保持或提升精度的同时，实现比传统方法（如N4ITK）更快的处理速度。
• 在模拟临床非均匀性的真实增益场的合成MRI数据上验证该方法的有效性。
• 证明在自然图像上训练的网络能够有效学习并校正MRI特有的信号强度非均匀性。

提出的方法

• 采用一种改进的ResNet架构，命名为GetNet，用于从256×256输入图像中估计低频增益场。
• 采用双分支训练结构：一个分支处理添加了合成增益场的输入图像，另一个分支处理原始图像。
• 第二个网络NeedNet计算两个分支增益场的比值，以估计校正因子，从而有效学习去除增益场。
• 训练目标使用预测值与真实增益场比值之间的平均绝对误差（MAE）损失，最小化所有体素上的差异。
• 基于文献和BrainWeb数据，生成了最大非均匀性达30%的合成增益场，以模拟真实的MRI信号变化。
• 模型仅在ImageNet图像上进行训练（转换为灰度并归一化），训练过程中完全避免使用真实医学影像数据。

实验结果

研究问题

• RQ1 在非医学图像上训练的深度神经网络，是否能泛化到不同扫描仪和解剖区域的MRI信号强度归一化任务？
• RQ2 基于深度学习的归一化方法是否在精度和速度上均优于N4ITK等成熟方法？
• RQ3 在未接触医学数据的情况下，仅在自然图像上训练的网络能否学习估计并校正MRI特有的增益场？
• RQ4 该方法在合成MRI扫描中不同组织类型上的性能表现如何？
• RQ5 与传统方法相比，采用学习方法在计算效率与校正精度之间存在何种权衡？

主要发现

• GetNet在整幅图像上的相对平均绝对误差（MAE）为0.152，优于N4ITK的0.166和原始增益场的0.231。
• 在组织特异性评估中，GetNet将MAE降低至脑脊液0.049、灰质0.031和白质0.019，显著低于N4ITK的对应值。
• 该方法相比N4ITK实现了70倍的速度提升，将校正时间从GeForce GTX 1050 Ti上的20,470秒减少至294秒。
• 视觉对比结果表明，GetNet在高非均匀性区域中产生的强度校正更加平滑且准确，优于N4ITK。
• 尽管仅在非医学图像上进行训练，该模型在不同MRI序列和组织类型间均表现出良好泛化能力，展现出强鲁棒性。
• 消融实验确认，双分支训练策略能有效学习估计并去除增益场，而无需依赖真实增益场标签。