[论文解读] Direct White Matter Bundle Segmentation using Stacked U-Nets

Jakob Wasserthal, Peter Neher+2 more|arXiv (Cornell University)|Mar 6, 2017

Advanced Neuroimaging Techniques and Applications参考文献 12被引用 4

一句话总结

该论文提出一种堆叠的U-Net架构，用于在扩散MRI中直接分割白质纤维束，通过从手动分割中学习空间先验来绕过纤维束追踪。在30名人类连接组计划（HCP）受试者上进行训练，该方法在每例大脑不到五秒内实现人类水平的性能，优于先前的直接分割方法，并在活体和幻像数据上与最先进的纤维束追踪流程相当。

ABSTRACT

The state-of-the-art method for automatically segmenting white matter bundles in diffusion-weighted MRI is tractography in conjunction with streamline cluster selection. This process involves long chains of processing steps which are not only computationally expensive but also complex to setup and tedious with respect to quality control. Direct bundle segmentation methods treat the task as a traditional image segmentation problem. While they so far did not deliver competitive results, they can potentially mitigate many of the mentioned issues. We present a novel supervised approach for direct tract segmentation that shows major performance gains. It builds upon a stacked U-Net architecture which is trained on manual bundle segmentations from Human Connectome Project subjects. We evaluate our approach extit{in vivo} as well as extit{in silico} using the ISMRM 2015 Tractography Challenge phantom dataset. We achieve human segmentation performance and a major performance gain over previous pipelines. We show how the learned spatial priors efficiently guide the segmentation even at lower image qualities with little quality loss.

研究动机与目标

• 开发一种直接、端到端的深度学习方法，用于白质纤维束分割，避免复杂且易出错的纤维束追踪流程。
• 克服基于图谱和流线聚类方法的局限性，包括计算成本高、设置复杂以及可重复性差的问题。
• 从手动分割中学习受试者特异的空间先验，以提高分割精度和鲁棒性。
• 实现在大纤维束和细纤维束（包括前连合）上的快速、自动、高精度分割。
• 提供一种可扩展、泛化能力强的框架，适用于轨迹测量和轨迹图过滤。

提出的方法

• 采用堆叠的U-Net架构，包含三个在冠状面、矢状面和轴面切片上训练的2D U-Net，随后通过第四个3D U-Net融合预测结果。
• 输入为通过MRtrix中约束球面反卷积获得的每个体素的主纤维方向向量（每个体素九个特征）。
• 采用端到端训练，损失函数为分类交叉熵，学习率为0.002，批量大小为8，训练70个周期，丢弃率0.4。
• 利用多平面监督以增强空间归纳偏差，并捕捉所有解剖平面的方向信息。
• 生成每个体素的纤维束隶属概率图，实现无需中间流线处理的精确3D分割。
• 在30名手动分割的人类连接组计划（HCP）受试者上进行训练，现代GPU上推理时间少于五秒。

实验结果

研究问题

• RQ1 基于深度学习的直接分割方法是否能在不依赖纤维束追踪或图谱配准的情况下实现人类水平的白质纤维束分割精度？
• RQ2 具有多平面监督的堆叠U-Net架构相较于标准U-Net在扩散MRI数据上的分割性能有何提升？
• RQ3 该模型在低质量活体数据和含噪声与伪影的体素幻像数据上的泛化能力如何？
• RQ4 该模型在前连合等细纤维束上的表现如何，这些纤维束对传统方法具有挑战性？
• RQ5 从个体特异性分割中学习的空间先验是否能在图像质量下降的情况下仍实现稳健的分割？

主要发现

• 该方法在活体高分辨率和低分辨率HCP数据上实现了人类水平的分割性能，右侧皮质脊髓束的Dice分数为0.84，左侧上纵束的Dice分数为0.85。
• 在ISMRM 2015纤维束追踪挑战赛的幻像数据中，该模型在皮质脊髓束的排名进入前三名，并在上纵束上表现出具有竞争力的性能，尽管与活体数据存在结构差异。
• 该模型在低质量活体数据上保持了高水平的分割质量，仅出现轻微性能下降，表明对图像质量变化具有鲁棒性。
• 堆叠U-Net设计显著提升了分割精度，尤其在捕捉精细解剖细节和纤维束边界方面。
• 在无伪影的幻像数据上的性能略优于原始含噪声版本，表明训练数据与测试数据之间的结构差异会影响泛化能力。
• 该方法在现代GPU上对整个大脑的分割时间少于五秒，相较于传统纤维束追踪流程具有显著的速度优势。