[论文解读] Automatic deep learning-based normalization of breast dynamic contrast-enhanced magnetic resonance images

Jun Zhang, Ashirbani Saha+2 more|arXiv (Cornell University)|Jul 5, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 3被引用 6

一句话总结

该论文提出了一种基于深度学习的、无需参数的自动方法，用于在不同扫描仪和协议下对乳腺DCE-MRI扫描进行强度归一化。通过组织分割识别空气、脂肪、致密组织和心脏作为强度锚点，应用受试者特异的分段线性映射，将不同患者间的组织强度对齐，显著提高了像素值和放射组学特征的一致性，且无需依赖扫描仪参数。

ABSTRACT

Objective: To develop an automatic image normalization algorithm for intensity correction of images from breast dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) acquired by different MRI scanners with various imaging parameters, using only image information. Methods: DCE-MR images of 460 subjects with breast cancer acquired by different scanners were used in this study. Each subject had one T1-weighted pre-contrast image and three T1-weighted post-contrast images available. Our normalization algorithm operated under the assumption that the same type of tissue in different patients should be represented by the same voxel value. We used four tissue/material types as the anchors for the normalization: 1) air, 2) fat tissue, 3) dense tissue, and 4) heart. The algorithm proceeded in the following two steps: First, a state-of-the-art deep learning-based algorithm was applied to perform tissue segmentation accurately and efficiently. Then, based on the segmentation results, a subject-specific piecewise linear mapping function was applied between the anchor points to normalize the same type of tissue in different patients into the same intensity ranges. We evaluated the algorithm with 300 subjects used for training and the rest used for testing. Results: The application of our algorithm to images with different scanning parameters resulted in highly improved consistency in pixel values and extracted radiomics features. Conclusion: The proposed image normalization strategy based on tissue segmentation can perform intensity correction fully automatically, without the knowledge of the scanner parameters. Significance: We have thoroughly tested our algorithm and showed that it successfully normalizes the intensity of DCE-MR images. We made our software publicly available for others to apply in their analyses.

研究动机与目标

• 解决使用不同MRI扫描仪和协议获取的DCE-MRI扫描中强度不一致的问题，该问题阻碍了定量放射组学和放射基因组学分析。
• 开发一种完全自动化的归一化方法，不依赖物理扫描仪参数或采集元数据。
• 通过利用深度学习进行组织分割和分段线性映射，确保不同患者间组织强度范围的一致性。
• 提高放射组学特征在临床任务（如分子亚型分类）中的判别能力。
• 为研究人员提供一个公开可用、计算高效的工具，用于标准化DCE-MRI数据。

提出的方法

• 训练一个基于U-Net的全卷积网络（FCN），用于在增强前的DCE-MRI扫描中分割三种组织类型——脂肪、致密组织和心脏。
• 该算法使用四种组织/材料类型（空气、脂肪、致密组织、心脏）作为强度锚点，以定义目标强度范围。
• 基于输入图像中每种组织类型的中位数强度值及其对应的目标范围，计算受试者特异的分段线性映射函数。
• 按每种组织类型独立应用映射，以确保不同患者间组织强度表示的一致性。
• 该方法不依赖扫描仪场强、TR、TE或对比剂类型等信息，仅依赖图像内容。
• 归一化流程计算效率高，每个体积的总处理时间低于25秒。

实验结果

研究问题

• RQ1 基于深度学习的分割方法是否能够实现在无需扫描仪参数信息的情况下，对DCE-MRI进行自动强度归一化？
• RQ2 基于组织特异性强度锚点的分段线性映射是否能降低乳腺DCE-MRI在不同扫描仪间的强度变异性？
• RQ3 所提出的归一化方法在多大程度上提升了放射组学特征在分子亚型分类中的判别能力？
• RQ4 该方法在不同MRI扫描仪、场强和采集协议下的鲁棒性如何？
• RQ5 当分割掩码不完美时，该方法是否仍能实现有效的强度归一化？

主要发现

• 所提出的方法显著提高了在不同扫描仪和协议下获取的DCE-MRI扫描中像素强度分布的一致性。
• 归一化后，不同患者间相同组织类型（如脂肪或致密组织）的平均强度被对齐到一个狭窄且一致的范围内。
• 从归一化图像中提取的放射组学特征在分类乳腺癌分子亚型方面表现出比原始未归一化图像中提取的特征更高的判别能力。
• 该算法每个体积（512×512×90）的平均计算时间为24.4秒，其中致密组织分割是最耗时的步骤（13.6秒）。
• 该方法对不完美的训练掩码具有鲁棒性，预测的分割掩码在质量上优于粗糙的、无监督生成的训练掩码。
• 该归一化方法有效减少了大多数放射组学特征的强度差异，但未能缓解与噪声相关的差异（例如，特征F6的SER标准差仍较高）。