[论文解读] NeuroNet: Fast and Robust Reproduction of Multiple Brain Image Segmentation Pipelines

Martin Rajchl, Nick Pawlowski+3 more|arXiv (Cornell University)|Jun 11, 2018

Advanced Neural Network Applications参考文献 21被引用 30

一句话总结

NeuroNet 是一种深度多输出卷积神经网络，通过使用 5,000 名英国生物银行受试者的 T1 加权 MRI 扫描，复现了 FSL、SPM 和 MALP-EM 的分割输出。它在实现最先进准确率的同时，相比传统流程将速度提升了 10 倍，并通过从多样化、重叠的标签图中学习，降低了失败率，实现了无需预处理的稳健端到端分割。

ABSTRACT

NeuroNet is a deep convolutional neural network mimicking multiple popular and state-of-the-art brain segmentation tools including FSL, SPM, and MALPEM. The network is trained on 5,000 T1-weighted brain MRI scans from the UK Biobank Imaging Study that have been automatically segmented into brain tissue and cortical and sub-cortical structures using the standard neuroimaging pipelines. Training a single model from these complementary and partially overlapping label maps yields a new powerful "all-in-one", multi-output segmentation tool. The processing time for a single subject is reduced by an order of magnitude compared to running each individual software package. We demonstrate very good reproducibility of the original outputs while increasing robustness to variations in the input data. We believe NeuroNet could be an important tool in large-scale population imaging studies and serve as a new standard in neuroscience by reducing the risk of introducing bias when choosing a specific software package.

研究动机与目标

• 开发单一深度学习模型，复现多种成熟神经影像分割工具（FSL、SPM、MALP-EM）的输出，且无需预处理。
• 通过用快速统一的推理系统替代缓慢的多步流程，减轻大规模人群影像研究中的计算负担。
• 通过在来自多个工具的多样化、部分重叠的标签图上进行训练，提升对图像伪影和变异的鲁棒性。
• 通过学习多种参考方法的共识预测，减少因工具特异性分割选择带来的偏差。
• 通过消除手动预处理步骤，实现大规模数据集的可扩展、可复现和高效神经影像分析。

提出的方法

• NeuroNet 采用基于 ResNet 的编码器，使用多输出全卷积神经网络（FCN），同时预测多个组织分割图。
• 该模型在英国生物银行的 5,000 例 T1 加权 MRI 扫描上进行端到端训练，使用 FSL、SPM 和 MALP-EM 自动生成的标签图作为多任务监督信号。
• 来自三个工具的标签图部分重叠且具有互补性——例如，FSL 和 MALP-EM 提供详细的皮层下结构，而三者均生成白质（WM）、灰质（GM）和脑脊液（CSF）估计。
• 网络通过最小化多任务损失学习共识分割，其中每个输出的损失由可学习系数加权，以平衡各任务的损失。
• 通过使用原始 T1 加权图像进行训练，避免了头骨剥离和偏置校正，从而降低了流程复杂性和误差来源。
• 该架构支持层次化与非层次化标签的联合学习，通过多任务归纳偏置提升泛化能力和准确性。

实验结果

研究问题

• RQ1 单一深度学习模型能否在 T1 加权 MRI 扫描上准确复现多个成熟神经影像分割工具（FSL、SPM、MALP-EM）的分割输出？
• RQ2 在多个工具提供的互补且部分重叠的标签图上进行联合训练，是否相比单个工具流程能提升鲁棒性并降低失败率？
• RQ3 深度学习模型在保持或提升分割准确率的同时，能在多大程度上消除偏置校正和脑部剥离等预处理步骤？
• RQ4 NeuroNet 的推理速度与传统神经影像分析流程相比，在大规模人群研究中表现如何？
• RQ5 在多样化分割输出上进行多任务学习，是否能带来比单任务模型更好的泛化能力与更一致的结果？

主要发现

• NeuroNet 在 FSL Fast 上达到 93.1% 的平均 Dice 相似性系数（DSC），在 FSL First 上为 88.8%，在 MALP-EM 上为 85.8%，在 MALP-EM 组织上为 93.2%，在 SPM 组织上为 93.4%，表明其在复现参考输出方面具有高精度。
• 该模型将每例受试者的处理时间缩短至 90 秒以内，相比传统流程（如 FSL 约 20 分钟、MALP-EM 约 1 小时、SPM 非线性配准达 30 分钟以上）实现了 10 倍加速。
• NeuroNet 在所有输出上的平均 DSC 均优于单任务变体，证实了利用互补标签进行多任务学习可提升整体性能与鲁棒性。
• 在 SPM 因头部旋转（如未校正的倾斜）而失败的情况下，NeuroNet 仍能成功生成有效分割，表明其相比单个工具具有更强的鲁棒性。
• 该模型在异常情况下的泛化能力良好：所有 DSC 值低于 0.6 的情况均可追溯至原始工具输出失败，而非 NeuroNet 的预测，证实了其可靠性。
• NeuroNet 消除了偏置校正和脑部剥离等预处理步骤，降低了流程复杂性与潜在误差来源。