[论文解读] Brain Tissue Segmentation Across the Human Lifespan via Supervised Contrastive Learning

Xiaoyang Chen, Jinjian Wu+7 more|arXiv (Cornell University)|Jan 3, 2023

Medical Image Segmentation Techniques被引用 4

一句话总结

本文提出了一种统一的深度学习框架，用于在整个生命周期（0–100岁）内进行脑组织分割，采用监督对比学习以学习鲁棒且具有判别性的特征表示。该方法在包含2,464幅MR图像的大规模数据集上实现了最先进性能，尽管在不同年龄阶段存在广泛的解剖结构和信号强度差异，仍优于现有方法在白质、灰质和脑脊液分割上的表现。

ABSTRACT

Automatic segmentation of brain MR images into white matter (WM), gray matter (GM), and cerebrospinal fluid (CSF) is critical for tissue volumetric analysis and cortical surface reconstruction. Due to dramatic structural and appearance changes associated with developmental and aging processes, existing brain tissue segmentation methods are only viable for specific age groups. Consequently, methods developed for one age group may fail for another. In this paper, we make the first attempt to segment brain tissues across the entire human lifespan (0-100 years of age) using a unified deep learning model. To overcome the challenges related to structural variability underpinned by biological processes, intensity inhomogeneity, motion artifacts, scanner-induced differences, and acquisition protocols, we propose to use contrastive learning to improve the quality of feature representations in a latent space for effective lifespan tissue segmentation. We compared our approach with commonly used segmentation methods on a large-scale dataset of 2,464 MR images. Experimental results show that our model accurately segments brain tissues across the lifespan and outperforms existing methods.

研究动机与目标

• 开发一个单一的深度学习模型，能够准确分割从婴儿到老年人的整个生命周期的脑组织。
• 解决由于发育和衰老过程导致的MR图像中结构和对比度变化的挑战。
• 提高对信号不均匀性、运动伪影、扫描仪差异以及多样化扫描协议的鲁棒性。
• 克服现有方法局限于特定年龄群体（如成人或婴儿）的局限性，并在广泛范围内应用时失效的问题。
• 证明监督对比学习在学习全生命周期分割的判别性特征方面的有效性。

提出的方法

• 使用带有特征提取器和分类头的深度编码器-解码器网络，实现体素级别的分割。
• 采用带有每类组织类别原型特征记忆库的监督对比学习，以增强特征的判别能力。
• 利用特征表示与类别特定代理之间的余弦相似度，将同类别特征拉近，不同类别特征推开。
• 将交叉熵损失与对比损失结合，通过超参数λ_ctr加权，联合优化分割与特征学习。
• 使用大小为M的记忆库存储代表性特征，降低成对比较的计算成本。
• 使用温度缩放τ控制对比目标中相似度分布的锐度。

实验结果

研究问题

• RQ1 一个单一的深度学习模型是否能够在整个生命周期（0至100岁）内实现准确的脑组织分割？
• RQ2 监督对比学习在提升MR图像中与年龄相关的解剖结构和信号强度变化的特征表示鲁棒性方面有多有效？
• RQ3 该模型在多样化扫描协议、扫描仪和图像质量条件下的泛化能力如何？
• RQ4 与单模态输入相比，同时使用T1-和T2加权图像在分割性能上表现如何？
• RQ5 哪些超参数设置（M、τ、λ_ctr）能实现最佳的分割准确性和稳定性？

主要发现

• 在测试集上，该方法在灰质上达到94.2±1.1%的Dice相似系数（DSC），白质为95.7±1.0%，脑脊液为88.5±3.8%，优于现有方法。
• 对不同组织类别的体素进行平衡采样，显著提升了少数类的DSC，特别是脑脊液，从不平衡情况下的83.0±6.2%提升至平衡情况下的88.5±3.8%。
• 当仅使用单个T1或T2加权图像时，性能仅略有下降（DSC下降0.4–1.9%），表明在有限输入下仍具有强大的泛化能力。
• 更大的记忆库大小（M=10）和更小的温度值（τ=0.1）带来了更好的分割结果，与对比学习理论一致。
• 该模型成功捕捉了组织体积的非线性生长轨迹：灰质和白质体积先增加后减少，而脑脊液体积在整个生命周期中持续单调增加。
• 生成了高质量的白质和皮层表面重建，皮层回和沟清晰可见，证实了分割的高精度。