[论文解读] MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation

Marta Bianca Maria Ranzini, Lucas Fidon+3 more|arXiv (Cornell University)|Mar 21, 2021

Fetal and Pediatric Neurological Disorders参考文献 2被引用 21

一句话总结

本文提出 MONAIfbs，一种基于 MONAI 框架的单阶段 2D UNet 深度学习模型，用于脊柱裂病例中的胎儿脑部 MRI 分割。该模型在多中心数据上进行训练，性能优于以往的两阶段流水线，通过提升 Dice 评分并减少异常值，显著降低了人工校正的需求。

ABSTRACT

In fetal Magnetic Resonance Imaging, Super Resolution Reconstruction (SRR) algorithms are becoming popular tools to obtain high-resolution 3D volume reconstructions from low-resolution stacks of 2D slices, acquired at different orientations. To be effective, these algorithms often require accurate segmentation of the region of interest, such as the fetal brain in suspected pathological cases. In the case of Spina Bifida, Ebner, Wang et al. (NeuroImage, 2020) combined their SRR algorithm with a 2-step segmentation pipeline (2D localisation followed by a 2D segmentation network). However, if the localisation step fails, the second network is not able to recover a correct brain mask, thus requiring manual corrections for an effective SRR. In this work, we aim at improving the fetal brain segmentation for SRR in Spina Bifida. We hypothesise that a well-trained single-step UNet can achieve accurate performance, avoiding the need of a 2-step approach. We propose a new tool for fetal brain segmentation called MONAIfbs, which takes advantage of the Medical Open Network for Artificial Intelligence (MONAI) framework. Our network is based on the dynamic UNet (dynUNet), an adaptation of the nnU-Net framework. When compared to the original 2-step approach proposed in Ebner-Wang, and the same Ebner-Wang approach retrained with the expanded dataset available for this work, the dynUNet showed to achieve higher performance using a single step only. It also showed to reduce the number of outliers, as only 28 stacks obtained Dice score less than 0.9, compared to 68 for Ebner-Wang and 53 Ebner-Wang expanded. The proposed dynUNet model thus provides an improvement of the state-of-the-art fetal brain segmentation techniques, reducing the need for manual correction in automated SRR pipelines. Our code and our trained model are made publicly available at https://github.com/gift-surg/MONAIfbs.

研究动机与目标

• 解决两阶段胎儿脑部分割流水线在定位失败时失效的局限性。
• 减少胎儿 MRI 超分辨率重建（SRR）流水线中对人工校正的依赖。
• 通过在两个不同临床中心的数据上进行训练，提升对领域偏移的鲁棒性。
• 开发一种单阶段、端到端的深度学习模型，实现精确的胎儿脑部分割。

提出的方法

• 基于 nnU-Net 的启发式规则，对 MONAI 动态 UNet（dynUNet）架构进行调整，以获得最优配置。
• 使用大小为 [448, 512] 的 2D 贴片进行训练，结合 Dice 损失与交叉熵损失。
• 在 3D 空间中进行验证，以 3D Dice 评分作为主要指标，选择最佳模型快照。
• 通过选择最大连通组件进行后处理，以优化分割掩码。
• 在多中心数据集上进行训练：来自 UZL（鲁汶）的 604 个图像堆栈和来自 MUW（维也纳）的 106 个图像堆栈，增强了领域泛化能力。
• 通过 GitHub 公开发布训练好的模型和代码，以支持可复现性和社区使用。

实验结果

研究问题

• RQ1 单阶段 UNet 模型是否能在脊柱裂病例的胎儿脑部分割中超越现有的两阶段流水线？
• RQ2 在多中心数据上进行训练是否能提升胎儿 MRI 分割对领域偏移的鲁棒性？
• RQ3 所提出的模型在多大程度上减少了需要人工校正的分割异常值数量？
• RQ4 基于 MONAI 的实现是否能以最少的后处理达到最先进性能？

主要发现

• 所提出的 MONAIfbs 模型在测试集上的 3D Dice 评分高于原始模型和微调后的两阶段方法。
• 在 323 个测试堆栈中，仅有 28 个的 Dice 评分低于 0.9，而原始 Ebner-Wang 模型为 68 个，微调版本为 53 个。
• 与原始两阶段流水线相比，单阶段 dynUNet 模型将异常值数量减少了 50%以上。
• 该模型在不同中心之间表现出更优的泛化能力，表明多中心训练增强了对领域偏移的鲁棒性。
• 采用 3D 验证并以 3D Dice 作为选择指标，相比仅使用 2D 训练和评估，模型泛化能力更优。
• 通过选择最大连通组件进行后处理，能有效去除小的虚假分割区域，且不损害分割准确性。