[论文解读] Detailed delineation of the fetal brain in diffusion MRI via multi-task learning

Davood Karimi, Camilo Calixto+7 more|arXiv (Cornell University)|Aug 26, 2024

Advanced Neuroimaging Techniques and ApplicationsMedicine被引用 3

一句话总结

本研究提出了一种多任务深度学习框架，可直接在弥散加权磁共振成像（dMRI）中实现胎儿脑组织、白质纤维束及皮层/皮层下结构的自动统一分割。该方法实现了高精度——组织分割的平均Dice分数为0.865，纤维束分割为0.825，分割图谱为0.819，实现了低质量胎儿dMRI数据的可重复、快速分析，推动了胎儿神经影像学与连接组学研究的发展。

ABSTRACT

Diffusion-weighted MRI is increasingly used to study the normal and abnormal development of fetal brain in-utero. Recent studies have shown that dMRI can offer invaluable insights into the neurodevelopmental processes in the fetal stage. However, because of the low data quality and rapid brain development, reliable analysis of fetal dMRI data requires dedicated computational methods that are currently unavailable. The lack of automated methods for fast, accurate, and reproducible data analysis has seriously limited our ability to tap the potential of fetal brain dMRI for medical and scientific applications. In this work, we developed and validated a unified computational framework to (1) segment the brain tissue into white matter, cortical/subcortical gray matter, and cerebrospinal fluid, (2) segment 31 distinct white matter tracts, and (3) parcellate the brain's cortex and delineate the deep gray nuclei and white matter structures into 96 anatomically meaningful regions. We utilized a set of manual, semi-automatic, and automatic approaches to annotate 97 fetal brains. Using these labels, we developed and validated a multi-task deep learning method to perform the three computations. Our evaluations show that the new method can accurately carry out all three tasks, achieving a mean Dice similarity coefficient of 0.865 on tissue segmentation, 0.825 on white matter tract segmentation, and 0.819 on parcellation. The proposed method can greatly advance the field of fetal neuroimaging as it can lead to substantial improvements in fetal brain tractography, tract-specific analysis, and structural connectivity assessment.

研究动机与目标

• 为解决缺乏自动化、可靠的计算方法来分析低质量、快速发育的胎儿弥散加权磁共振成像（dMRI）数据的问题。
• 开发一种统一的深度学习框架，能够同时执行三种不同但相关联的任务：组织分割、白质纤维束分割和皮层/皮层下区域图谱划分。
• 通过利用多任务学习克服胎儿dMRI中数据稀缺与标注困难的问题，提升模型的泛化能力与性能。
• 实现在纤维束成像、结构连接性评估及神经发育研究中对胎儿dMRI进行准确、可重复且快速处理。

提出的方法

• 训练了一个多任务深度学习模型，通过共享编码器和任务特定头，同时执行组织分割、白质纤维束分割和皮层图谱划分任务。
• 模型在包含97例胎儿脑的标注数据集上进行训练，这些数据来自多个胎龄，标注方式包括人工、半自动和自动标注。
• 通过可学习的任务权重将各任务的损失函数进行组合，以平衡不确定性并优化三项任务的整体性能。
• 框架采用基于U-Net的架构，并引入多尺度特征，以应对胎儿dMRI中信号噪声比低和解剖变异大的问题。
• 模型训练中结合了数据增强和归一化技术，以提升对图像强度变化和运动伪影的鲁棒性。
• 通过定量指标（Dice相似系数）和专家视觉评估（基于解剖标志）对方法进行了验证。

实验结果

研究问题

• RQ1 单一深度学习模型能否在弥散加权磁共振成像中实现对胎儿脑组织、白质纤维束和皮层区域的高精度分割？
• RQ2 当训练数据有限且存在噪声时，多任务学习在胎儿dMRI分割中如何提升性能？
• RQ3 尽管大脑发育迅速且图像质量低，该模型在不同胎龄间具有多大程度的泛化能力？
• RQ4 与现有成人或胎儿结构MRI方法相比，该模型在图谱划分和纤维束分割方面的性能如何？
• RQ5 该模型是否能产生比训练标签更准确的分割结果，特别是在噪声大或标注不一致的区域？

主要发现

• 所提出的多任务学习模型在组织分割任务中取得了0.865的平均Dice相似系数（包括白质、皮层灰质、深部灰质和脑脊液），表明对主要脑组织类型的分类具有高精度。
• 在白质纤维束分割任务中，方法取得了0.825的平均Dice分数，证明即使在图像质量低和存在运动伪影的情况下，也能可靠地勾画出31条复杂纤维束。
• 图谱划分任务的平均Dice分数为0.819，专家评审确认模型预测结果在某些情况下修正了训练标签中的局部错误。
• 模型对标签噪声具有鲁棒性，在某些情况下生成的分割结果比原始训练标注更具解剖一致性。
• 任务权重在训练过程中被学习得到，表明由于纤维束标签之间缺乏互斥性，其不确定性高于组织和图谱划分任务。
• 该方法实现了胎儿dMRI的自动化、快速且可重复处理，显著推进了胎儿神经影像学在发育与临床研究中的应用。