[论文解读] Automatic segmentation of the intracranialvolume in fetal MR images

Nadieh Khalili, Pim Moeskops+8 more|arXiv (Cornell University)|Jul 31, 2017

Fetal and Pediatric Neurological Disorders参考文献 15被引用 3

一句话总结

本文提出一种多尺度2D卷积神经网络（CNN），用于胎儿MRI中自动的颅内体积（ICV）分割，在冠状面、矢状面和轴状面均实现了高达0.95的Dice分数，且无需依赖孕周或定位框的先验知识。该方法在不同成像方向下表现出稳健性能，并在30例胎儿T2加权扫描中得到验证，尽管存在运动伪影，仍保持一致的准确性。

ABSTRACT

MR images of the fetus allow non-invasive analysis of the fetal brain. Quantitative analysis of fetal brain development requires automatic brain tissue segmentation that is typically preceded by segmentation of the intracranial volume (ICV). This is challenging because fetal MR images visualize the whole moving fetus and in addition partially visualize the maternal body. This paper presents an automatic method for segmentation of the ICV in fetal MR images. The method employs a multi-scale convolutional neural network in 2D slices to enable learning spatial information from larger context as well as detailed local information. The method is developed and evaluated with 30 fetal T2-weighted MRI scans (average age $33.2\pm1.2$ weeks postmenstrual age). The set contains $10$ scans acquired in axial, $10$ in coronal and $10$ in sagittal imaging planes. A reference standard was defined in all images by manual annotation of the intracranial volume in $10$ equidistantly distributed slices. The automatic analysis was performed by training and testing the network using scans acquired in the representative imaging plane as well as combining the training data from all imaging planes. On average, the automatic method achieved Dice coefficients of 0.90 for the axial images, 0.90 for the coronal images and 0.92 for the sagittal images. Combining the training sets resulted in average Dice coefficients of 0.91 for the axial images, 0.95 for the coronal images, and 0.92 for the sagittal images. The results demonstrate that the evaluated method achieved good performance in extracting ICV in fetal MR scans regardless of the imaging plane.

研究动机与目标

• 开发一种用于胎儿MR图像中颅内体积（ICV）分割的自动方法，该方法是定量胎儿脑部分析的关键预处理步骤。
• 解决在胎儿MRI中分割ICV的挑战，其中较大的视野包含整个移动的胎儿及母体组织，使脑部分区复杂化。
• 评估多尺度CNN在不同成像平面（轴状面、冠状面、矢状面）上的性能，且不依赖孕周或脑体积的先验知识。
• 评估该方法在训练数据包含多种成像方向扫描时的鲁棒性与泛化能力。

提出的方法

• 使用多尺度2D卷积神经网络（CNN）从更大的区域学习空间上下文，并从胎儿MRI切片中提取详细的局部特征。
• 网络在30例T2加权胎儿MRI扫描上进行训练和测试（孕月年龄为33.2±1.2周），每种成像平面（轴状面、冠状面、矢状面）各10例扫描。
• 通过使用各平面特定的数据或来自所有三种成像平面的合并数据集进行训练，以评估在不同方向上的泛化能力。
• 在每例扫描的10个等距切片上进行ICV的手动勾画，以定义评估的参考标准。
• 该方法可直接从完整体积的胎儿MR图像中分割ICV，无需预先进行脑部分区或边界框裁剪。
• 性能通过Dice系数、Hausdorff距离和Kappa统计量进行评估，结果按成像平面和实验设置分别报告。

实验结果

研究问题

• RQ1 多尺度2D CNN是否能在不同成像平面（轴状面、冠状面、矢状面）上实现对胎儿MRI中ICV分割的稳健且准确的结果？
• RQ2 与仅使用特定平面数据训练相比，将来自多个成像平面的数据合并进行训练是否能提升分割性能？
• RQ3 在存在运动伪影及视野中包含部分胎儿或母体组织的情况下，该方法表现如何？
• RQ4 该方法在多大程度上减少了对孕周或预期脑体积等先验知识的依赖？

主要发现

• 当在各平面特定数据上进行训练和测试时，该方法在轴状面、冠状面和矢状面的平均Dice系数分别为0.90、0.90和0.92。
• 当在来自所有三种成像平面的合并数据集上进行训练时，该方法在轴状面、冠状面和矢状面的Dice系数分别为0.91、0.95和0.92，表明冠状面的分割一致性有所提升。
• 该方法在不同成像平面方向下表现出鲁棒性，各平面间性能无显著下降。
• 矢状面中的运动伪影在部分切片中影响了分割结果，但这些切片因缺乏手动标注而被排除在定量评估之外。
• 与先前方法相比，该方法在无需依赖先验解剖或孕周信息的前提下，实现了在多样化成像方向下更高的Dice分数一致性。
• 结果表明，即使在训练数据有限且图像质量不一的情况下，多尺度CNN在胎儿MRI中ICV分割方面仍具有效性。