[论文解读] Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers -- A multi-institutional evaluation

Gustav Müller‐Franzes, Fritz Müller-Franzes+10 more|arXiv (Cornell University)|Apr 18, 2023

MRI in cancer diagnosisMedicine参考文献 25被引用 3

一句话总结

本研究提出了一种基于视觉变换器的模型 TraBS，用于乳腺 MRI 中的纤维腺体组织分割，在内部（Dice：0.916 vs. 0.909）和外部（Dice：0.864 vs. 0.824）测试集上均优于基于 CNN 的 nnUNet，展示了在自动化乳腺密度和背景实质增强量化方面更优的泛化能力和准确性。

ABSTRACT

Accurate and automatic segmentation of fibroglandular tissue in breast MRI screening is essential for the quantification of breast density and background parenchymal enhancement. In this retrospective study, we developed and evaluated a transformer-based neural network for breast segmentation (TraBS) in multi-institutional MRI data, and compared its performance to the well established convolutional neural network nnUNet. TraBS and nnUNet were trained and tested on 200 internal and 40 external breast MRI examinations using manual segmentations generated by experienced human readers. Segmentation performance was assessed in terms of the Dice score and the average symmetric surface distance. The Dice score for nnUNet was lower than for TraBS on the internal testset (0.909$\pm$0.069 versus 0.916$\pm$0.067, P<0.001) and on the external testset (0.824$\pm$0.144 versus 0.864$\pm$0.081, P=0.004). Moreover, the average symmetric surface distance was higher (=worse) for nnUNet than for TraBS on the internal (0.657$\pm$2.856 versus 0.548$\pm$2.195, P=0.001) and on the external testset (0.727$\pm$0.620 versus 0.584$\pm$0.413, P=0.03). Our study demonstrates that transformer-based networks improve the quality of fibroglandular tissue segmentation in breast MRI compared to convolutional-based models like nnUNet. These findings might help to enhance the accuracy of breast density and parenchymal enhancement quantification in breast MRI screening.

研究动机与目标

• 开发一种在多种临床扫描协议下均具有鲁棒性与泛化能力的深度学习模型，用于乳腺 MRI 中的纤维腺体组织分割。
• 评估基于变换器的架构是否在多机构环境中优于成熟的卷积神经网络（CNN）模型（如 nnUNet）。
• 通过在杜克大学独立数据集上进行测试，解决先前研究中缺乏外部验证的问题。
• 通过公开发布 40 例 DUKE MRI 病例的手动分割结果，为未来算法评估提供公开参考标准。
• 提高临床 MRI 筛查中自动化乳腺密度和背景实质增强量化结果的可靠性。

提出的方法

• 提出 TraBS，一种基于视觉变换器的神经网络架构，用于乳腺 MRI 中的 3D 纤维腺体组织分割。
• 在来自亚琛大学医院（UKA）的 200 例内部 MRI 扫描和来自杜克大学（DUKE）的 40 例外部扫描上进行 TraBS 的训练与评估。
• 使用经验丰富的放射科医生进行人工标注的分割结果作为真实标签，并由其他专家进行质量控制。
• 采用 Dice 评分和平均对称表面距离作为指标，与最先进的 CNN 模型 nnUNet 进行性能对比。
• 应用标准的数据预处理和归一化方法，以确保在多扫描仪、多协议数据集之间的一致性。
• 通过在不同乳腺密度水平下对 Dice 评分进行消融分析，评估性能的变异性。

实验结果

研究问题

• RQ1 基于视觉变换器的模型（TraBS）是否在内部和外部 MRI 数据集上均优于最先进的 CNN 模型（nnUNet）进行纤维腺体组织分割？
• RQ2 分割模型在不同乳腺密度水平下的表现如何变化，这是否会影响报告的 Dice 评分？
• RQ3 与基于 CNN 的模型相比，基于变换器的模型是否在外部、多机构数据上展现出更好的泛化能力？
• RQ4 数据集异质性（如扫描仪场强、扫描协议）对分割性能有何影响，TraBS 如何缓解这一问题？
• RQ5 在训练过程中引入外部数据在多大程度上能提升模型对纤维腺体组织分割中领域偏移的鲁棒性？

主要发现

• TraBS 在内部测试集上的 Dice 评分高于 nnUNet（0.916 ± 0.067 vs. 0.909 ± 0.069，p < 0.001）。
• TraBS 在外部测试集上的表现优于 nnUNet，Dice 评分为 0.864 ± 0.081，而 nnUNet 为 0.824 ± 0.144（p = 0.004）。
• TraBS 在表面距离性能上表现更优，内部测试集的平均对称表面距离更低，为 0.548 ± 2.195 mm（vs. 0.657 ± 2.856 mm，p = 0.001）。
• 在外部测试集中也观察到类似改善，TraBS 的平均对称表面距离为 0.584 ± 0.413 mm，而 nnUNet 为 0.727 ± 0.620 mm（p = 0.03）。
• 纤维腺体组织密度较低与 Dice 评分降低相关，解释了不同研究中报告性能差异的原因。
• 作者发布了 40 例 DUKE MRI 病例的手动分割结果，作为公开参考标准，以支持未来算法评估。