[论文解读] QuickNAT: Segmenting MRI Neuroanatomy in 20 seconds.

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

Medical Image Segmentation Techniques参考文献 13被引用 22

一句话总结

QuickNAT 是一种全卷积神经网络，通过利用自动生成的辅助标签进行预训练，并在人工标注数据上进行微调，仅用20秒即可对全脑MRI神经解剖结构进行分割——比当前最先进方法快700倍，且在不同年龄、病理和扫描仪类型的数据集中均实现了更优的准确性。

ABSTRACT

Whole brain segmentation from structural magnetic resonance imaging is a prerequisite for most morphological analyses, but requires hours of processing time and therefore delays the availability of image markers after scan acquisition. We introduce QuickNAT, a fully convolution neural network that segments a brain scan in 20 seconds. To enable training of the complex network with limited annotated data, we propose to pre-train on auxiliary labels created from existing segmentation software and to subsequently fine-tune on manual labels. 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 performance to state-of-the-art methods, while being about 700 times faster. This drastic speed up greatly facilitates the processing of large data repositories and supports the translation of imaging biomarkers by making them almost instantaneously available.

研究动机与目标

• 解决全脑MRI分割耗时过长的问题，该问题导致扫描后形态学图像生物标志物的获取延迟。
• 在手动标注训练数据有限的情况下，实现在结构MRI中快速且准确地分割神经解剖结构。
• 开发一种深度学习框架，确保在不同人群和成像协议下均保持高性能。
• 通过将处理时间从数小时缩短至数秒，加速影像生物标志物的转化应用。

提出的方法

• 训练一种全卷积神经网络（QuickNAT），实现从T1加权MRI扫描图像端到端的全脑分割。
• 利用现有分割软件自动生成的辅助标签对网络进行预训练，以弥补人工标注数据的不足。
• 在较小规模的人工标注标签集上对预训练模型进行微调，以提升目标结构的分割精度。
• 采用类似U-Net的网络结构，通过跳跃连接保留空间分辨率，提升分割精度。
• 在微调过程中应用数据增强和标准深度学习优化技术，以增强模型泛化能力。
• 在八个多样化数据集上评估性能，以确保在不同年龄范围、病理状况和扫描仪制造商条件下的鲁棒性。

实验结果

研究问题

• RQ1 在仅使用极少人工标注数据的情况下，深度学习模型能否在全脑MRI上实现高精度分割？
• RQ2 与仅使用人工标注数据进行端到端训练相比，基于自动生成标签的预训练在性能和速度方面表现如何？
• RQ3 QuickNAT在不同年龄、病理和扫描协议的数据集上具有多大程度的泛化能力？
• RQ4 该模型能否在不损失准确性的前提下，将处理时间从数小时缩短至20秒以内？

主要发现

• QuickNAT在八个多样化数据集上均实现了最先进水平的分割精度，在多项评估指标上优于现有方法。
• 该模型仅用20秒即可处理一例全脑MRI扫描，相比先前最先进方法提速约700倍。
• 在仅有限人工标注数据可用的情况下，基于辅助标签的预训练显著提升了模型性能。
• 在人工标注数据上进行微调后，所有评估数据集（包括存在病理状况及不同扫描仪类型的数据集）均实现了稳定的性能提升。
• 该方法在从儿童到老年人群的广泛年龄范围内均保持高精度，展现出强大的泛化能力。
• 该框架实现了图像生物标志物的近乎即时可用，显著加速了大规模神经影像学研究。