[论文解读] FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain

Mostafa Mehdipour Ghazi, Mads Nielsen|arXiv (Cornell University)|Aug 30, 2022

Brain Tumor Detection and Classification被引用 7

一句话总结

FAST-AID Brain 提出了一种基于新型 U-Net 类架构、通过跨正交 2D MRI 视图的分层 Softmax 融合以及弱监督学习的快速、准确且鲁棒的深度学习脑部分割工具。该方法在跨域和域内数据集上均达到最先进性能，单次扫描推理时间低于 40 秒，同时消除了预处理步骤，并在存在伪影和域偏移的情况下仍能实现精确的颅内体积（ICV）估计。

ABSTRACT

Medical images used in clinical practice are heterogeneous and not the same quality as scans studied in academic research. Preprocessing breaks down in extreme cases when anatomy, artifacts, or imaging parameters are unusual or protocols are different. Methods robust to these variations are most needed. A novel deep learning method is proposed for fast and accurate segmentation of the human brain into 132 regions. The proposed model uses an efficient U-Net-like network and benefits from the intersection points of different views and hierarchical relations for the fusion of the orthogonal 2D planes and brain labels during the end-to-end training. Weakly supervised learning is deployed to take the advantage of partially labeled data for the whole brain segmentation and estimation of the intracranial volume (ICV). Moreover, data augmentation is used to expand the magnetic resonance imaging (MRI) data by generating realistic brain scans with high variability for robust training of the model while preserving data privacy. The proposed method can be applied to brain MRI data including skull or any other artifacts without preprocessing the images or a drop in performance. Several experiments using different atlases are conducted to evaluate the segmentation performance of the trained model compared to the state-of-the-art, and the results show higher segmentation accuracy and robustness of the proposed model compared to the existing methods across different intra- and inter-domain datasets.

研究动机与目标

• 开发一种快速且准确的脑部分割方法，能够在不同质量、伪影和扫描协议的 MRI 数据中实现良好泛化。
• 解决现有基于图谱和深度学习方法的局限性，包括高计算成本、泛化能力差以及对图像预处理的敏感性。
• 通过在部分标注数据上应用弱监督学习，实现准确的颅内体积（ICV）估计，从而减少神经退行性疾病研究中的偏差。
• 通过使用真实且高变异性的 MRI 数据增强方法，提升对域偏移的鲁棒性，同时不损害数据隐私。
• 通过训练直接对含伪影的全脑 MRI 扫描进行分割的模型，消除对头骨剥离、偏置场校正和配准的需求。

提出的方法

• 该模型采用高效的 U-Net 类架构，在正交 2D 切片（轴向、冠状、矢状）上端到端训练，利用分层 Softmax 融合不同视角的预测结果。
• 通过利用不同视角的交点以及分层标签关系，提升空间一致性和分割准确性。
• 应用弱监督学习处理缺失标签的体素（如颅内腔），实现在无需完整人工标注的情况下进行 ICV 估计。
• 采用数据增强策略，生成具有高度多样性的逼真 MRI 扫描，以增强模型在不同域之间的鲁棒性和泛化能力。
• 该方法避免了头骨剥离、偏置场校正和配准等预处理步骤，可直接对含伪影的原始扫描进行推理。
• 模型在来自多个视角的 2D 切片上端到端训练，特征融合与损失优化设计兼顾保留 3D 上下文信息，同时保持计算效率。

实验结果

研究问题

• RQ1 深度学习模型是否能在无需预处理或配准的情况下，对多样化的真实世界 MRI 扫描实现高精度和鲁棒的分割？
• RQ2 当仅获得部分标签时，弱监督学习在估计颅内体积（ICV）方面的有效性如何？
• RQ3 使用逼真的合成 MRI 扫描进行数据增强，在提升模型在图像质量与伪影各异的域之间泛化能力方面，其效果如何？
• RQ4 与标准 2D 或 3D 方法相比，跨正交 2D 视图的分层 Softmax 融合在提升分割精度方面有何优势？
• RQ5 采用多 2D 视图的 2.5D 方法是否能在速度和精度上超越传统 3D CNN 和基于图像块的方法，同时避免内存密集型的 3D 训练？

主要发现

• 该模型在多个域内和跨域数据集上均实现了高于最先进方法的分割精度，且对域偏移具有更强的鲁棒性。
• 在 NVIDIA GeForce RTX 2070 GPU 上，单次 MRI 扫描的平均推理时间低于 40 秒，展现出极高的速度。
• 该模型在含有头骨、伪影或低对比度的扫描上仍保持高性能，无需任何预处理步骤，适用于 ADNI 数据中的常见情况。
• 弱监督 ICV 估计方法产生的 ICV 估计值比现有方法更准确，有效减少了脑体积归一化中的偏差。
• 数据增强策略生成了高度逼真的 MRI 扫描，具有高度多样性，显著提升了模型的泛化能力和对域偏移的鲁棒性。
• 该模型在 132 个脑区上均取得了高 Dice 相似度分数，即使在 ADNI 数据集中具有挑战性的低质量扫描上，性能也保持稳定。