[论文解读] Evaluating U-net Brain Extraction for Multi-site and Longitudinal Preclinical Stroke Imaging

Erendiz Tarakci, Joseph B. Mandeville+16 more|arXiv (Cornell University)|Mar 10, 2022

Cell Image Analysis Techniques被引用 4

一句话总结

本研究评估了U-net卷积神经网络在多中心、纵向临床前中风MRI数据中自动提取小鼠脑组织的性能。该网络在来自六个中心、两个时间点的240组多模态MRI数据（T2、ADC图）上进行训练，实现了95–97%的准确率，且在不同扫描仪、对比度和病理状态下的泛化能力稳健，优于基于规则的方法，可实现高通量、可靠的流水线集成，适用于临床前中风研究。

ABSTRACT

Rodent stroke models are important for evaluating treatments and understanding the pathophysiology and behavioral changes of brain ischemia, and magnetic resonance imaging (MRI) is a valuable tool for measuring outcome in preclinical studies. Brain extraction is an essential first step in most neuroimaging pipelines; however, it can be challenging in the presence of severe pathology and when dataset quality is highly variable. Convolutional neural networks (CNNs) can improve accuracy and reduce operator time, facilitating high throughput preclinical studies. As part of an ongoing preclinical stroke imaging study, we developed a deep-learning mouse brain extraction tool by using a U-net CNN. While previous studies have evaluated U-net architectures, we sought to evaluate their practical performance across data types. We ask how performance is affected with data across: six imaging centers, two time points after experimental stroke, and across four MRI contrasts. We trained, validated, and tested a typical U-net model on 240 multimodal MRI datasets including quantitative multi-echo T2 and apparent diffusivity coefficient (ADC) maps, and performed qualitative evaluation with a large preclinical stroke database (N=1,368). We describe the design and development of this system, and report our findings linking data characteristics to segmentation performance. We consistently found high accuracy and ability of the U-net architecture to generalize performance in a range of 95-97% accuracy, with only modest reductions in performance based on lower fidelity imaging hardware and brain pathology. This work can help inform the design of future preclinical rodent imaging studies and improve their scalability and reliability.

研究动机与目标

• 开发一种适用于多中心、纵向临床前啮齿类中风MRI数据的稳健、自动化的脑组织提取工具。
• 评估U-net架构在不同MRI扫描仪、对比度（T2、ADC）和中风后时间点下的泛化性能。
• 克服基于规则的脑组织提取工具在病理或异质性数据上失效的局限性。
• 实现高通量、可扩展且可重复的神经影像学流水线，适用于多中心临床前中风研究。
• 评估单通道U-net模型是否可达到与多通道模型相当的性能，以支持研究方案的灵活性。

提出的方法

• 在240组包含定量多回波T2和表观扩散系数（ADC）图的多模态MRI数据上训练U-net卷积神经网络。
• 采用多通道U-net（M-full-multi）和单通道变体（M-full-single）评估不同输入配置下的性能表现。
• 在六个影像中心的数据上进行模型训练，并在未参与训练的中心数据上测试泛化能力（例如，半数中心用于训练/测试）。
• 以Dice相似性系数（DSC）为主要指标，量化分割准确率与手动标注金标准的对比。
• 对SPAN研究中的1,368张扫描图像进行定性评估，包括严重病理改变和运动伪影的病例。
• 对仅在部分中心或单一对比度数据上训练的受限模型进行消融研究，以评估其鲁棒性和可迁移性。

实验结果

研究问题

• RQ1 在多中心临床前中风影像中，U-net性能如何随不同MRI扫描仪和场强变化？
• RQ2 脑部病理和形态学异常（如中风后2天）对U-net分割准确率有何影响？
• RQ3 单个U-net模型能否在多种MRI对比度（T2、ADC）和时间点（早期与晚期中风后）间实现有效泛化？
• RQ4 在数据质量参差不齐的情况下，多通道与单通道U-net架构的性能表现如何比较？
• RQ5 在未来的多中心研究中，仅在部分中心数据上训练的U-net模型，其泛化能力可扩展至全新、未见的中心到何种程度？

主要发现

• U-net在所有测试条件下均实现了95–97%的Dice相似性系数（DSC），尽管图像质量差异和病理状态存在，性能下降极小。
• 多通道U-net（M-full-multi）的DSC为0.957，单通道版本（M-full-single）的DSC为0.954，性能近乎一致。
• 性能从早期（中风后2天）到晚期（中风后30天）时间点有所提升，可能由于后期脑部形态更规则且水肿减轻。
• 该模型在206例基于规则的脑组织提取方法失败的病例中保持100%的成功率，证明其对严重病理的鲁棒性。
• 在仅使用一半中心数据训练的受限模型中，其在另一半中心上的泛化表现良好，平均DSC达0.953（多通道）和0.954（单通道），表明具备强大的可迁移性。
• 即使仅在单一对比度（如T2或ADC）上训练，模型仍表现稳健，其中T2基线的最低DSC为0.935，证实了跨对比度的泛化能力。