[论文解读] Fast Infant MRI Skullstripping with Multiview 2D Convolutional Neural Networks

Amod Jog, P. Ellen Grant+5 more|arXiv (Cornell University)|Apr 27, 2019

Neonatal and fetal brain pathology参考文献 37被引用 5

一句话总结

该论文提出SSCNN，一种利用矢状、冠状和轴向T1加权图像切片训练的三个2D全卷积神经网络的快速且精确的婴儿MRI去颅骨方法。各网络的概率输出通过线性融合生成最终脑部掩码，在人工标注数据集上达到0.97的平均Dice分数，且在多种婴儿MRI数据集上表现出强鲁棒性，GPU上推理时间少于30秒。

ABSTRACT

Skullstripping is defined as the task of segmenting brain tissue from a full head magnetic resonance image~(MRI). It is a critical component in neuroimage processing pipelines. Downstream deformable registration and whole brain segmentation performance is highly dependent on accurate skullstripping. Skullstripping is an especially challenging task for infant~(age range 0--18 months) head MRI images due to the significant size and shape variability of the head and the brain in that age range. Infant brain tissue development also changes the $T_1$-weighted image contrast over time, making consistent skullstripping a difficult task. Existing tools for adult brain MRI skullstripping are ill equipped to handle these variations and a specialized infant MRI skullstripping algorithm is necessary. In this paper, we describe a supervised skullstripping algorithm that utilizes three trained fully convolutional neural networks~(CNN), each of which segments 2D $T_1$-weighted slices in axial, coronal, and sagittal views respectively. The three probabilistic segmentations in the three views are linearly fused and thresholded to produce a final brain mask. We compared our method to existing adult and infant skullstripping algorithms and showed significant improvement based on Dice overlap metric~(average Dice of 0.97) with a manually labeled ground truth data set. Label fusion experiments on multiple, unlabeled data sets show that our method is consistent and has fewer failure modes. In addition, our method is computationally very fast with a run time of 30 seconds per image on NVidia P40/P100/Quadro 4000 GPUs.

研究动机与目标

• 为解决婴儿MRI中由于解剖结构高度可变性及出生后18个月内组织对比度变化带来的去颅骨挑战。
• 开发一种在婴儿特异性数据上优于现有成人优化或通用儿科去颅骨工具的方法。
• 实现高精度与计算效率，以支持临床和研究环境中实时或近实时应用。
• 确保在多样化的多中心、多扫描仪婴儿MRI数据集上具备鲁棒性，且故障模式极少。
• 实现在扫描仪上的部署，以支持实时脑部检测与视野优化。

提出的方法

• 分别训练三个独立的2D全卷积神经网络，从矢状、冠状和轴向T1加权MRI切片中预测脑部掩码。
• 每个网络独立处理2D切片，生成脑组织的概率分割图。
• 通过学习到的融合权重，将三个概率输出线性组合，生成统一的3D脑部掩码。
• 在平均前，通过重定向预测结果至统一坐标空间，以确保空间一致性。
• 该方法在覆盖完整婴儿年龄范围（0–18个月）的多样化数据集上进行训练，以捕捉组织对比度的发育变化。
• 通过GPU加速实现推理加速，在NVIDIA P40/P100/Quadro 4000 GPU上每幅扫描的推理时间少于30秒。

实验结果

研究问题

• RQ1 多视角2D卷积神经网络方法是否能在婴儿MRI中实现优于现有成人优化或通用儿科工具的去颅骨精度？
• RQ2 该方法在具有不同扫描协议的多样化、多中心、多扫描仪婴儿MRI数据集上的表现如何？
• RQ3 在婴儿存在显著解剖结构与信号强度变异的情况下，该方法是否能保持鲁棒性并避免故障模式？
• RQ4 该方法的计算效率如何？是否能够支持实时或近实时应用？
• RQ5 该方法未来版本是否可扩展以处理非T1加权对比度？

主要发现

• SSCNN在验证数据集上与人工标注的金标准相比，平均Dice重叠达0.97，显著优于现有工具。
• 在数百名来自多样化、多中心、多扫描仪数据集的受试者中，该方法实现了零次严重去颅骨失败。
• SSCNN在GPU硬件上每幅扫描的运行时间少于30秒，比测试中第二快的方法ROBEX快约10倍。
• 在未标注数据集上的标签融合实验证实了其性能的一致性，并显著降低了其他自动工具的失败率。
• 该方法在不同扫描仪类型和扫描协议下表现出强大的泛化能力，表明其具有高度鲁棒性。
• 作者计划在未来版本中通过跨序列数据增强技术扩展该方法，以支持T2加权对比度。