[论文解读] Domain Adaptation using Silver Standard Masks for Lateral Ventricle Segmentation in FLAIR MRI

Owen Crystal, Pejman Maralani+3 more|arXiv (Cornell University)|Jul 17, 2023

Cardiac Imaging and DiagnosticsMedicine被引用 3

一句话总结

本论文提出了一种新颖的领域自适应方法，用于在多中心FLAIR MRI数据集中进行侧脑室分割。通过使用传统图像处理算法生成的银标准（SS）掩码作为预训练监督信号，该方法显著提升了跨中心数据集的迁移学习性能。在目标域的SS掩码上进行预训练，并在源域（CAIN）的金标准（GS）数据上进行微调后，SS+GS模型在所有测试数据集中实现了0.89的平均Dice相似系数（DSC），比仅使用GS数据的模型高出4%的准确率，展现出在不同临床中心之间的一致性与鲁棒性。

ABSTRACT

Lateral ventricular volume (LVV) is an important biomarker for clinical investigation. We present the first transfer learning-based LVV segmentation method for fluid-attenuated inversion recovery (FLAIR) MRI. To mitigate covariate shifts between source and target domains, this work proposes an domain adaptation method that optimizes performance on three target datasets. Silver standard (SS) masks were generated from the target domain using a novel conventional image processing ventricular segmentation algorithm and used to supplement the gold standard (GS) data from the source domain, Canadian Atherosclerosis Imaging Network (CAIN). Four models were tested on held-out test sets from four datasets: 1) SS+GS: trained on target SS masks and fine-tuned on source GS masks, 2) GS+SS: trained on source GS masks and fine-tuned on target SS masks, 3) trained on source GS (GS CAIN Only) and 4) trained on target SS masks (SS Only). The SS+GS model had the best and most consistent performance (mean DSC = 0.89, CoV = 0.05) and showed significantly (p < 0.05) higher DSC compared to the GS-only model on three target domains. Results suggest pre-training with noisy labels from the target domain allows the model to adapt to the dataset-specific characteristics and provides robust parameter initialization while fine-tuning with GS masks allows the model to learn detailed features. This method has wide application to other medical imaging problems where labeled data is scarce, and can be used as a per-dataset calibration method to accelerate wide-scale adoption.

研究动机与目标

• 解决因扫描协议和硬件差异导致的多中心FLAIR MRI数据集中侧脑室分割的领域偏移问题。
• 通过开发一种新型图像处理算法，利用目标域中未标注数据自动生成可靠的银标准（SS）掩码，以缓解目标域中金标准（GS）标注稀缺的问题。
• 开发首个仅基于FLAIR序列的深度学习侧脑室分割模型，采用迁移学习策略以提升泛化能力。
• 利用未标注的目标域数据实现各临床中心的AI模型个性化校准，加速其在大规模临床环境中的部署。

提出的方法

• 开发了一种新颖的基于传统图像处理算法（IPB）的方法，用于自动生成未标注FLAIR MRI影像中侧脑室分割的银标准（SS）掩码。
• 从目标域数据集（ADNI、CCNA、ONDRI）中生成SS掩码，以补充源域（CAIN）中的金标准（GS）数据。
• 训练并评估了四种模型：(1) SS+GS（在SS上预训练，GS上微调）、(2) GS+SS（在GS上预训练，SS上微调）、(3) 仅CAIN GS模型，以及(4) 仅SS模型。
• 通过在目标域的SS掩码上进行预训练，使模型适应各中心特有的图像特征，随后在高质量GS标注上进行微调，实现迁移学习。
• SS+GS模型被选为最优配置，利用噪声较大的SS标签实现稳健的模型初始化，同时利用GS数据进行精细化特征学习。
• 性能评估指标包括Dice相似系数（DSC）、平均体积差异以及在四个多中心数据集上的变异系数（CoV）

实验结果

研究问题

• RQ1 能否利用未标注目标域数据生成的银标准掩码，提升FLAIR MRI中侧脑室分割的领域自适应性能？
• RQ2 在目标域SS掩码上预训练，随后在源域GS数据上微调，是否优于仅使用GS数据进行预训练的标准迁移学习方法？
• RQ3 与仅使用GS数据的模型相比，该方法在DSC、一致性及多中心数据集中的鲁棒性方面表现如何？
• RQ4 银标准掩码在多大程度上可缓解由扫描仪硬件、扫描协议及图像强度分布差异引起的协变量偏移问题？
• RQ5 该方法是否可推广为一种适用于其他医学影像AI应用的、面向各临床中心的个性化校准框架，尤其在标注数据有限的情况下？

主要发现

• SS+GS模型在三个目标数据集上均取得了最高且最一致的性能，平均DSC为0.89，变异系数（CoV）为0.05。
• 在所有三个目标数据集上，SS+GS模型相比GS-only模型在DSC上实现了统计上显著（p < 0.05）的4%提升。
• 在分割小尺寸及形态学复杂的脑室区域（尤其是下部和上部层面）时，SS+GS模型优于其他配置。
• 该模型表现出最强的鲁棒性，具有最小的平均体积差异和最低的跨数据集偏差，表明其具有高度的可靠性与一致性。
• IPB算法可快速生成SS掩码（100个体素仅需5–7分钟），为人工标注提供了可扩展的替代方案，但可能在中线显著移位病例中失效。
• 本研究证实，在噪声较大但领域相关的SS掩码上进行预训练，可有效提升模型的泛化能力与参数初始化质量，其性能优于医学影像任务中常见的ImageNet风格预训练。