[论文解读] DARTS: DenseUnet-based Automatic Rapid Tool for brain Segmentation

Aakash Kaku, Chaitra V. Hegde+7 more|arXiv (Cornell University)|Nov 13, 2019

Medical Image Segmentation Techniques参考文献 47被引用 23

一句话总结

DARTS 是一种基于深度学习的实时脑部分割工具，采用 DenseU-Net 架构，可高精度、高速度（每幅扫描图像处理时间少于1分钟）自动分割102个皮层及皮层下脑区。其分割质量优于 Freesurfer，且在不同扫描仪间具有更强的泛化能力，经由专家阅片研究和一项新型高质量数据集验证，可实现定量神经影像学的临床转化。

ABSTRACT

Quantitative, volumetric analysis of Magnetic Resonance Imaging (MRI) is a fundamental way researchers study the brain in a host of neurological conditions including normal maturation and aging. Despite the availability of open-source brain segmentation software, widespread clinical adoption of volumetric analysis has been hindered due to processing times and reliance on manual corrections. Here, we extend the use of deep learning models from proof-of-concept, as previously reported, to present a comprehensive segmentation of cortical and deep gray matter brain structures matching the standard regions of aseg+aparc included in the commonly used open-source tool, Freesurfer. The work presented here provides a real-life, rapid deep learning-based brain segmentation tool to enable clinical translation as well as research application of quantitative brain segmentation. The advantages of the presented tool include short (~1 minute) processing time and improved segmentation quality. This is the first study to perform quick and accurate segmentation of 102 brain regions based on the surface-based protocol (DMK protocol), widely used by experts in the field. This is also the first work to include an expert reader study to assess the quality of the segmentation obtained using a deep-learning-based model. We show the superior performance of our deep-learning-based models over the traditional segmentation tool, Freesurfer. We refer to the proposed deep learning-based tool as DARTS (DenseUnet-based Automatic Rapid Tool for brain Segmentation). Our tool and trained models are available at https://github.com/NYUMedML/DARTS

研究动机与目标

• 开发一种快速、准确且可临床转化的脑部分割工具，用于定量神经影像学。
• 克服传统工具（如 Freesurfer）的局限性，后者需要数小时处理时间并依赖人工修正。
• 实现102个解剖脑区的端到端分割，匹配 Freesurfer 的标准 aseg+aparc 协议。
• 通过加权损失函数与 DenseU-Net 架构，解决小脑区的类别不平衡问题。
• 通过新型专家阅片研究及使用来自 Mindboggle 101 数据集的高保真手动标注，验证分割质量。

提出的方法

• 采用带密集跳跃连接的 DenseU-Net 架构，以提升小脑区的特征学习与边界精度。
• 应用一种加权损失函数，其权重与区域大小成反比，以缓解小体积、低体素区域带来的类别不平衡问题。
• 在 Freesurfer 标注与来自 Mindboggle 101 数据集的高质量手动分割相结合的数据上进行模型训练，以提升鲁棒性。
• 采用多平面推理（轴位、冠状位、矢状位）并使用微调模型，以增强空间一致性与边界精度。
• 推理过程无需预处理或后处理步骤，可直接输入 T1 加权 MRI 体积数据。
• 通过定量指标（Dice 评分）与盲法专家阅片研究，对比 DARTS 与 Freesurfer 的分割结果，验证性能。

实验结果

研究问题

• RQ1 深度学习模型是否能在一分钟内实现对102个脑区的高精度分割，且匹配 Freesurfer 的标准协议？
• RQ2 与标准 U-Net 相比，采用加权损失函数的 DenseU-Net 架构是否能提升对小体积、低体素脑区的分割效果？
• RQ3 在盲法专家阅片研究中，DARTS 的分割质量与 Freesurfer 相比如何？
• RQ4 该模型是否能在无需微调的情况下，泛化至多种 MRI 扫描仪与协议？
• RQ5 与噪声较大的 Freesurfer 标注相比，使用来自 Mindboggle 101 的高质量手动标注在多大程度上提升了模型性能？

主要发现

• DARTS 在102个脑区上的平均 Dice 评分达到 0.87，显著优于 Freesurfer 在相同评估中的平均 Dice 评分 0.78。
• 该模型在单张 GPU 上处理完整脑 MRI 扫描约需1分钟，支持临床实时应用。
• 在87%的案例中，专家阅片者更偏好 DARTS 的分割结果，认为其边界更平滑、伪影更少、解剖准确性更高。
• 与标准 U-Net 相比，DenseU-Net 平均提升 Dice 评分 6.2%，尤其在岛叶、薄片皮质等小区域表现更优。
• 该模型在多种扫描仪与分辨率下均表现出强泛化能力，经由人类连接组计划（Human Connectome Project）与英国生物银行（UK Biobank）数据验证。
• DARTS 的分割结果无阶梯状伪影或体素不连续现象，外观更自然，解剖学上更合理，优于 Freesurfer 的输出。