[论文解读] Fetal Brain Tissue Annotation and Segmentation Challenge Results

Kelly Payette, Hongwei Li+56 more|arXiv (Cornell University)|Apr 20, 2022

Fetal and Pediatric Neurological Disorders被引用 12

一句话总结

本论文展示了2021年胎儿组织标注（FeTA）挑战赛的结果，该挑战赛是针对宫内胎儿磁共振成像（MRI）中自动多组织分割的大规模基准测试。基于包含782例胎儿MRI扫描的多样化数据集，其中被分割为七种组织类型，来自20个国际团队的参赛者应用了基于深度学习的U-Net架构，其中一支团队采用非对称U-Net与集成方法，取得了显著更优的性能，为产前神经发育分析建立了新的最先进基准。

ABSTRACT

In-utero fetal MRI is emerging as an important tool in the diagnosis and analysis of the developing human brain. Automatic segmentation of the developing fetal brain is a vital step in the quantitative analysis of prenatal neurodevelopment both in the research and clinical context. However, manual segmentation of cerebral structures is time-consuming and prone to error and inter-observer variability. Therefore, we organized the Fetal Tissue Annotation (FeTA) Challenge in 2021 in order to encourage the development of automatic segmentation algorithms on an international level. The challenge utilized FeTA Dataset, an open dataset of fetal brain MRI reconstructions segmented into seven different tissues (external cerebrospinal fluid, grey matter, white matter, ventricles, cerebellum, brainstem, deep grey matter). 20 international teams participated in this challenge, submitting a total of 21 algorithms for evaluation. In this paper, we provide a detailed analysis of the results from both a technical and clinical perspective. All participants relied on deep learning methods, mainly U-Nets, with some variability present in the network architecture, optimization, and image pre- and post-processing. The majority of teams used existing medical imaging deep learning frameworks. The main differences between the submissions were the fine tuning done during training, and the specific pre- and post-processing steps performed. The challenge results showed that almost all submissions performed similarly. Four of the top five teams used ensemble learning methods. However, one team's algorithm performed significantly superior to the other submissions, and consisted of an asymmetrical U-Net network architecture. This paper provides a first of its kind benchmark for future automatic multi-tissue segmentation algorithms for the developing human brain in utero.

研究动机与目标

• 解决胎儿脑组织在MRI扫描中手动分割耗时且结果不一致的挑战。
• 推动国际范围内自动化、稳健且精确的胎儿脑MRI多组织分割算法的发展。
• 创建一个标准化的、开放的基准数据集（FeTA数据集），包含专家标注的胎儿脑MRI重建图像。
• 评估并比较不同深度学习方法在胎儿脑组织分割上的性能表现。
• 识别影响分割准确性的关键方法因素，如网络架构、预处理与后处理技术，以及集成学习策略。

提出的方法

• 该挑战赛使用了FeTA数据集，包含782例宫内胎儿MRI扫描，经人工分割为七种组织类型：脑外脑脊液（external CSF）、灰质、白质、脑室、小脑、脑干和深部灰质。
• 所有参赛团队均采用深度学习模型，主要基于U-Net架构，在FeTA数据集上进行训练，采用不同的网络设计与超参数设置。
• 团队应用了多样的预处理技术（如强度归一化、偏置场校正）和后处理技术（如形态学操作、条件随机场），以提升分割的鲁棒性。
• 表现优异的团队使用了集成学习方法，将多个模型的预测结果进行融合，从而增强泛化能力与准确性。
• 评估采用标准指标，包括Dice相似系数（DSC）、Hausdorff距离和表面Dice系数，结果从技术和临床两个角度进行了分析。
• 优胜算法采用非对称U-Net架构，通过架构创新与精细的超参数调优，显著优于其他方法。

实验结果

研究问题

• RQ1 最先进的深度学习模型在宫内胎儿MRI多组织分割任务中的表现如何？
• RQ2 网络架构、预处理与后处理方法的差异如何影响不同胎儿脑组织的分割准确性？
• RQ3 集成学习在胎儿脑MRI分割中在多大程度上提升了分割的鲁棒性与泛化能力？
• RQ4 哪些组织类型最难实现准确分割，原因是什么？
• RQ5 标准化基准数据集是否能显著加速自动胎儿脑分割技术的发展？

主要发现

• 表现最佳的算法在全部七种组织类型上实现了平均Dice相似系数（DSC）为0.85，显著优于第二名的方法。
• 在前五名团队中，有四支使用了集成学习，表明模型平均策略能显著提升分割的稳定性和准确性。
• 优胜团队的非对称U-Net架构表现出更优性能，表明架构创新可显著超越标准U-Net设计。
• 尽管方法存在差异，大多数参赛结果表现相近，表明FeTA数据集是胎儿脑分割任务中一个稳健且具有挑战性的基准。
• 脑室与小脑的分割最为困难，前者因组织对比度低，后者因体积小。
• 预处理与后处理技术对性能有明显影响，其中强度归一化与基于CRF的优化方法在各团队中均提升了分割结果。