[论文解读] Almost instant brain atlas segmentation for large-scale studies

Alex Fedorov, Eswar Damaraju+2 more|arXiv (Cornell University)|Nov 1, 2017

Functional Brain Connectivity Studies参考文献 20被引用 9

一句话总结

该论文提出了一种快速、准确且可扩展的全卷积神经网络（MeshNet），用于全脑图谱分割，涵盖超过50个区域，通过利用最先进工具的预训练输出，实现近实时推理（一分钟内完成）。该方法比现有方法快逾100倍，同时保持相当的准确性，使大规模神经影像学研究和临床应用成为可能，并支持多模态输入。

ABSTRACT

Large scale studies of group differences in healthy controls and patients and screenings for early stage disease prevention programs require processing and analysis of extensive multisubject datasets. Complexity of the task increases even further when segmenting structural MRI of the brain into an atlas with more than 50 regions. Current automatic approaches are time-consuming and hardly scalable; they often involve many error prone intermediate steps and don't utilize other available modalities. To alleviate these problems, we propose a feedforward fully convolutional neural network trained on the output produced by the state of the art models. Incredible speed due to available powerful GPUs neural network makes this analysis much easier and faster (from $>10$ hours to a minute). The proposed model is more than two orders of magnitudes faster than the state of the art and yet as accurate. We have evaluated the network's performance by comparing it with the state of the art in the task of differentiating region volumes of healthy controls and patients with schizophrenia on a dataset with 311 subjects. This comparison provides a strong evidence that speed did not harm the accuracy. The overall quality may also be increased by utilizing multi-modal datasets (not an easy task for other models) by simple adding more modalities as an input. Our model will be useful in large-scale studies as well as in clinical care solutions, where it can significantly reduce delay between the patient screening and the result.

研究动机与目标

• 为解决在涉及数千名受试者的大型神经影像学研究中，对快速、可扩展且准确的脑图谱分割日益增长的需求。
• 克服当前自动分割工具存在的速度慢、易出错且通常缺乏多模态整合的局限性。
• 开发一种轻量化、前馈型全卷积网络，在显著降低推理时间的同时保持高精度。
• 实现在多样化数据集（包括多中心、多扫描仪MRI数据）上的迁移学习，以支持稳健的临床与科研应用。
• 通过实现跨大规模队列的快速、一致的区域体积估计，支持统计元分析和早期疾病检测。

提出的方法

• 在人类连接组计划（HCP）数据集上，使用FreeSurfer生成的图谱标签，对高分辨率2D MRI切片训练前馈型全卷积神经网络（MeshNet）。
• 网络采用空洞卷积和简单的编码器-解码器架构，不使用跳跃连接或循环层，以降低复杂度和参数量。
• 输入数据包括T1加权和可选的T2加权MRI序列，以提升组织对比度和分割精度。
• 训练采用以脑中心（127,145,127）为中心的高斯分布子体积采样策略，优先关注脑部中央区域，提升收敛性。
• 在激活函数前应用批量归一化，并使用Xavier初始化以实现更快收敛和更低损失。
• 在多中心FBIRN数据上进行微调，采用降低后的Adam学习率（0.00001），且不冻结早期层，以适应扫描仪差异和患者病理变化。

实验结果

研究问题

• RQ1 轻量化全卷积网络能否在不牺牲精度的前提下，实现对超过50个图谱区域的近实时脑MRI分割？
• RQ2 与FreeSurfer相比，该方法在健康对照组与精神分裂症患者之间的区域体积差异识别方面表现如何？
• RQ3 该模型在图像质量与采集协议各异的多中心、多扫描仪MRI数据上，其泛化能力如何？
• RQ4 在所提出的框架中，将T2加权图像作为第二模态是否能提升分割性能？
• RQ5 该模型能否在仅使用新站点有限数据的情况下有效进行微调，而无需大规模重训练或架构修改？

主要发现

• 所提出的MeshNet模型将推理时间从FreeSurfer的10余小时缩短至1分钟以内，实现超过100倍的速度提升。
• 该模型的分割精度与FreeSurfer相当，在比较健康对照组与精神分裂症患者时，95个区域中有94个区域的Cohen’s d效应量差异小于0.05。
• 在95个区域中的22个区域，效应量差异小于0.05；在73个区域中，Cohen’s d的方向完全一致，表明高度一致性。
• 增加T2加权图像作为输入可提升分割质量，证明了模型有效利用多模态数据的能力。
• 仅使用每站点7例脑数据在多中心FBIRN数据上进行微调，性能即与基于HCP数据训练的模型相当，证实了其在不同扫描仪和患者群体间具有强大的可迁移性。
• 该模型在每层71个特征图时保持低交叉熵损失，且在使用Xavier权重初始化和最优高斯子体积采样策略下收敛更快。