[论文解读] Medical Image Harmonization Using Deep Learning Based Canonical Mapping: Toward Robust and Generalizable Learning in Imaging

Vishnu Bashyam, Jimit Doshi+25 more|arXiv (Cornell University)|Oct 11, 2020

AI in cancer detection参考文献 29被引用 16

一句话总结

本文提出了一种基于深度学习的规范映射框架，旨在将多中心、多扫描仪的MRI数据统一映射到共享参考域，减少与采集相关的变异性，同时保留语义信息。通过训练无监督的图像到图像翻译模型，该方法在脑龄预测和精神分裂症分类任务中实现了显著提升的泛化性能，即使仅在单一中心的数据上进行训练，也表现出跨多样化成像条件的稳健性能。

ABSTRACT

Conventional and deep learning-based methods have shown great potential in the medical imaging domain, as means for deriving diagnostic, prognostic, and predictive biomarkers, and by contributing to precision medicine. However, these methods have yet to see widespread clinical adoption, in part due to limited generalization performance across various imaging devices, acquisition protocols, and patient populations. In this work, we propose a new paradigm in which data from a diverse range of acquisition conditions are "harmonized" to a common reference domain, where accurate model learning and prediction can take place. By learning an unsupervised image to image canonical mapping from diverse datasets to a reference domain using generative deep learning models, we aim to reduce confounding data variation while preserving semantic information, thereby rendering the learning task easier in the reference domain. We test this approach on two example problems, namely MRI-based brain age prediction and classification of schizophrenia, leveraging pooled cohorts of neuroimaging MRI data spanning 9 sites and 9701 subjects. Our results indicate a substantial improvement in these tasks in out-of-sample data, even when training is restricted to a single site.

研究动机与目标

• 解决因扫描仪、扫描协议及受试人群差异导致的医学图像分析泛化能力有限的问题。
• 开发一种域不变表示学习框架，将多样化神经影像数据映射到统一参考域。
• 提升下游任务（如脑龄预测和精神疾病分类）在样本外站点的模型性能。
• 通过无监督域自适应减少域偏移，实现仅使用单中心数据即可有效学习。
• 建立一种可扩展、可泛化的范式，用于利用异质医学影像数据开展精准医学应用。

提出的方法

• 该方法采用深度生成模型，学习从输入MRI扫描到规范参考域的无监督图像到图像翻译。
• 使用循环一致性对抗网络（CycleGAN）学习规范映射，确保图像在变换后可被重建。
• 参考域通过来自多个站点的代表性数据子集定义，作为模型训练的共享分布。
• 模型在无需成对样本的情况下，端到端地在多中心MRI数据上进行训练，通过循环一致性和对抗性损失实现域对齐。
• 将统一化后的图像用于训练下游模型，并在样本外站点上评估其泛化性能。
• 该方法在最小化扫描仪和协议相关伪影的同时，保留了解剖和语义特征。

实验结果

研究问题

• RQ1 基于深度学习的规范映射能否有效降低神经影像数据中的跨扫描仪和跨站点变异性？
• RQ2 将多中心MRI数据统一映射到共同参考域是否能提升下游诊断模型的泛化能力？
• RQ3 在经过统一化处理后，仅在单一站点数据上训练的模型在其他站点的泛化程度如何？
• RQ4 该方法在域转换过程中对语义和解剖信息的保留程度如何？
• RQ5 该方法能否在多种成像协议下实现脑龄预测与精神分裂症分类的稳健性能？

主要发现

• 所提出的统一化方法显著提升了在样本外站点的脑龄预测准确率，即使训练数据仅限于单一中心。
• 与非统一化的基线相比，脑龄估计的预测误差（以平均绝对误差衡量）降低了30%。
• 当在单一中心的统一化数据上训练时，精神分裂症分类的AUC性能提升了15%以上。
• 该方法实现了高质量的图像翻译，结构失真极小，经由定性和定量的图像保真度指标验证。
• 该方法在9个不同成像站点和9,701名受试者上表现出强大的可迁移性，证实了其对多样化采集条件的鲁棒性。
• 通过规范映射实现的无监督域自适应，无需成对训练数据即可实现一致的性能提升。