[论文解读] QuickNAT: A Fully Convolutional Network for Quick and Accurate Segmentation of Neuroanatomy

Abhijit Guha Roy, Sailesh Conjeti+2 more|arXiv (Cornell University)|Jan 12, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 3被引用 11

一句话总结

QuickNAT 是一种全卷积、密集连接的神经网络，可在仅 20 秒内以最先进精度分割全脑 MRI 扫描。它利用现有软件自动生成的辅助标签进行预训练，随后在人工标注数据上进行微调，即使在标注数据有限的情况下也能实现高性能，显著加速大规模神经影像学分析。

ABSTRACT

Whole brain segmentation from structural magnetic resonance imaging (MRI) is a prerequisite for most morphological analyses, but is computationally intense and can therefore delay the availability of image markers after scan acquisition. We introduce QuickNAT, a fully convolutional, densely connected neural network that segments a evision{MRI brain scan} in 20 seconds. To enable training of the complex network with millions of learnable parameters using limited annotated data, we propose to first pre-train on auxiliary labels created from existing segmentation software. Subsequently, the pre-trained model is fine-tuned on manual labels to rectify errors in auxiliary labels. With this learning strategy, we are able to use large neuroimaging repositories without manual annotations for training. In an extensive set of evaluations on eight datasets that cover a wide age range, pathology, and different scanners, we demonstrate that QuickNAT achieves superior segmentation accuracy and reliability in comparison to state-of-the-art methods, while being orders of magnitude faster. The speed up facilitates processing of large data repositories and supports translation of imaging biomarkers by making them available within seconds for fast clinical decision making.

研究动机与目标

• 解决全脑 MRI 分割中的计算瓶颈问题，该问题导致形态学图像标志物的可用性延迟。
• 通过利用大规模未标注神经影像数据存储库，实现仅使用有限的人工标注数据即可获得高精度分割。
• 开发一种方法，兼具高度准确性和显著快于现有最先进方法的速度。
• 通过将分割时间从数小时缩短至数秒，支持快速临床决策。
• 通过实时处理支持影像生物标志物向临床工作流程的转化。

提出的方法

• 该模型是一种专为端到端 3D MRI 分割设计的全卷积、密集连接神经网络。
• 采用两阶段训练策略：首先在现有分割软件（如 FreeSurfer、FSL）生成的辅助标签上进行预训练。
• 随后在较小规模的人工标注 MRI 扫描数据集上对预训练模型进行微调，以纠正辅助标签中的错误。
• 这种自监督预训练方法可有效利用大规模神经影像数据存储库，而无需为预训练阶段提供人工标注。
• 通过密集跳跃连接，网络架构可实现全体素预测，保持空间一致性并学习高分辨率特征。
• 训练采用标准深度学习损失函数，并通过数据增强提升在不同扫描仪和病理情况下的泛化能力。

实验结果

研究问题

• RQ1 全卷积网络是否能在保持推理速度低于 20 秒的前提下，实现全脑 MRI 的高精度分割？
• RQ2 在仅有限人工标注数据可用的情况下，基于自动生成的辅助标签进行预训练是否能显著提升性能？
• RQ3 两阶段训练策略——即在合成标签上预训练，随后在人工标签上微调——是否能带来在多样化数据集上的更好泛化能力？
• RQ4 在不同年龄范围、病理类型和 MRI 扫描仪类型下，QuickNAT 与最先进方法在准确性、速度和鲁棒性方面相比如何？
• RQ5 此类方法是否能够实现实时处理大规模神经影像数据存储库，以支持临床和研究应用？

主要发现

• QuickNAT 在单张 GPU 上仅用 20 秒即可完成全脑分割，相比先前方法实现了数量级的速度提升。
• 该模型在八个多样化数据集上均表现出卓越的分割精度，涵盖不同年龄组、病理类型和 MRI 扫描仪类型。
• 两阶段训练策略——即在辅助标签上预训练，随后在人工标注数据上微调——相比仅从零开始在有限数据上训练，性能显著提升。
• 该方法在存在图像伪影或病理改变的情况下，对不同神经解剖结构仍保持高度可靠性和一致性。
• 该方法可实现大规模神经影像数据存储库的可扩展处理，使影像生物标志物在数秒内即可提供给临床决策支持。
• 该模型在准确性和推理速度方面均优于最先进方法，确立了快速、精确神经解剖分割的新基准。