[论文解读] Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and no Retraining

Benjamin Billot, Magdamo Colin+3 more|arXiv (Cornell University)|Mar 3, 2022

Medical Image Segmentation Techniques被引用 4

一句话总结

该论文提出 SynthSeg+，一种分层卷积神经网络框架，可在无需微调的情况下提升临床‘真实环境’脑部MRI分割的鲁棒性。通过集成一系列条件分割与去噪网络，该方法实现了最先进性能，相较于 SynthSeg，其在低信噪比和低对比度扫描上的误差降低了最多23.5个Dice分数，并能准确复现高质量研究扫描中观察到的萎缩模式。

ABSTRACT

Retrospective analysis of brain MRI scans acquired in the clinic has the potential to enable neuroimaging studies with sample sizes much larger than those found in research datasets. However, analysing such clinical images "in the wild" is challenging, since subjects are scanned with highly variable protocols (MR contrast, resolution, orientation, etc.). Nevertheless, recent advances in convolutional neural networks (CNNs) and domain randomisation for image segmentation, best represented by the publicly available method SynthSeg, may enable morphometry of clinical MRI at scale. In this work, we first evaluate SynthSeg on an uncurated, heterogeneous dataset of more than 10,000 scans acquired at Massachusetts General Hospital. We show that SynthSeg is generally robust, but frequently falters on scans with low signal-to-noise ratio or poor tissue contrast. Next, we propose SynthSeg+, a novel method that greatly mitigates these problems using a hierarchy of conditional segmentation and denoising CNNs. We show that this method is considerably more robust than SynthSeg, while also outperforming cascaded networks and state-of-the-art segmentation denoising methods. Finally, we apply our approach to a proof-of-concept volumetric study of ageing, where it closely replicates atrophy patterns observed in research studies conducted on high-quality, 1mm, T1-weighted scans. The code and trained model are publicly available at https://github.com/BBillot/SynthSeg.

研究动机与目标

• 解决在对比度、分辨率和图像质量各不相同的临床脑部MRI扫描中实现鲁棒分割的挑战。
• 克服现有深度学习方法在低信噪比或低对比度扫描上失效的局限，且无需微调。
• 开发一种可扩展、通用的分割框架，兼容大规模临床数据集，适用于人群水平神经影像学研究。
• 实现在真实临床数据中对脑萎缩的精确体积分析，结果与高质量研究扫描一致。

提出的方法

• 该方法采用分层架构，包含两个阶段：初始分割网络 S1 和细化网络 S2，两者均以输入MRI为条件。
• 在 S1 和 S2 之间集成一个专用的去噪卷积神经网络 D，通过利用先验知识并减少噪声引起的伪影，提升预测质量。
• 整个框架通过在合成MRI数据上使用领域随机化进行端到端训练，实现对多样化对比度和分辨率的泛化，无需微调。
• 该方法利用条件预测，即每个网络使用输入扫描和中间输出来逐步优化分割结果。
• 去噪器 D 通过学习输入图像和预测掩码，实现准确的分割预测，从而提升拓扑一致性。
• 该框架设计为可直接用于任何临床扫描，无需对新协议进行微调或适应。

实验结果

研究问题

• RQ1 基于深度学习的分割方法是否能在无需微调的情况下，对高度异质的临床MRI扫描实现鲁棒性能？
• RQ2 与标准级联网络相比，结合分割与去噪的分层架构在低信噪比和低对比度扫描上如何提升鲁棒性？
• RQ3 无微调方法在多大程度上能复现高质量研究数据集中观察到的萎缩模式？
• RQ4 与后处理去噪相比，将去噪器集成到推理流程中是否能提升分割准确性和拓扑一致性？

主要发现

• 在被归类为‘严重失败’（严重分割错误）的扫描上，SynthSeg+ 相较于 SynthSeg 的 Dice 分数提升了23.5分，展现出对图像质量差的卓越鲁棒性。
• 与后处理去噪相比，该方法将平均表面距离（MSD）至少降低0.35 mm，并将Dice分数提升3分，表明几何精度更优。
• 在500张具有真实标签的扫描上，SynthSeg+ 的表现优于 SynthSeg 和级联网络（S1+S2），尤其在低分辨率和低对比度扫描上表现更优。
• 在包含10,000张临床扫描的衰老体积研究中，SynthSeg+ 生成的新皮层和海马体萎缩轨迹与高质量T1加权研究扫描（1 mm各向同性）的结果高度一致。
• 与 SynthSeg 和级联网络相比，该方法显著降低了异常值率，尤其是在低分辨率扫描中，增强了人群研究的统计效能。
• 将去噪器 D 集成到网络层级中，而非作为后处理步骤，可生成更准确且解剖学上更合理的分割结果。