[论文解读] Simultaneous synthesis of FLAIR and segmentation of white matter hypointensities from T1 MRIs

Mauricio Orbes‐Arteaga, M. Jorge Cardoso+5 more|arXiv (Cornell University)|Aug 20, 2018

Medical Image Segmentation Techniques参考文献 17被引用 19

一句话总结

本文提出了一种联合深度学习框架，能够同时从T1加权MRI生成FLAIR图像并分割白质高信号病灶（WMH），在提升图像真实感和分割准确率方面均取得改进。通过端到端联合优化生成器与分类器，该方法生成的合成FLAIR图像质量更高（PSNR：11.01 vs. 9.65），并显著降低了仅基于T1图像扫描的WMH分割中的假阳性率。

ABSTRACT

Segmenting vascular pathologies such as white matter lesions in Brain magnetic resonance images (MRIs) require acquisition of multiple sequences such as T1-weighted (T1-w) --on which lesions appear hypointense-- and fluid attenuated inversion recovery (FLAIR) sequence --where lesions appear hyperintense--. However, most of the existing retrospective datasets do not consist of FLAIR sequences. Existing missing modality imputation methods separate the process of imputation, and the process of segmentation. In this paper, we propose a method to link both modality imputation and segmentation using convolutional neural networks. We show that by jointly optimizing the imputation network and the segmentation network, the method not only produces more realistic synthetic FLAIR images from T1-w images, but also improves the segmentation of WMH from T1-w images only.

研究动机与目标

• 为解决回顾性MRI数据集中FLAIR序列获取受限的问题，以支持WMH分割。
• 克服将FLAIR图像生成与WMH分割视为独立、顺序处理流程的局限性。
• 通过在联合训练中引入FLAIR作为监督信号，提升仅基于T1图像扫描的分割性能。
• 生成更具真实感的合成FLAIR图像，以保留解剖结构细节和病灶模式。
• 通过基于L2的优化方法，在图像保真度与病灶敏感性之间实现平衡。

提出的方法

• 训练一个端到端的双流CNN框架，其中生成网络G从T1-w输入生成合成FLAIR图像。
• 分割网络C与G联合训练，利用真实T1图像和生成的FLAIR图像作为输入，以提升WMH的分割效果。
• 分类器的损失函数结合了交叉熵损失与基于L2的重建损失，同时生成器被优化以最小化在生成图像上的分割误差。
• 生成器使用L2（MSE）损失进行优化，以保留结构细节，避免生成对抗训练方法中常见的模糊问题。
• 通过交替优化生成器与分类器，实现通过共享梯度实现的相互性能提升。
• 该框架在WMH分割挑战2017年数据集上进行评估，比较了联合训练与离线图像生成加独立训练的性能。

实验结果

研究问题

• RQ1 联合优化FLAIR图像生成与WMH分割是否能提升仅基于T1-MRI扫描的分割准确率？
• RQ2 与离线图像生成相比，端到端训练生成器与分类器是否能生成更逼真的合成FLAIR图像？
• RQ3 与对抗训练相比，生成器中使用L2损失如何影响图像质量与病灶可检测性？
• RQ4 该联合框架是否能更好地捕捉在T1图像中显示不明显的微小及弥漫性白质高信号病灶？
• RQ5 与独立的图像生成与分割流程相比，共享优化在多大程度上减少了WMH分割中的假阳性与假阴性？

主要发现

• 所提方法在合成FLAIR图像上实现了11.01的PSNR，显著高于离线生成方法的9.65。
• 所提方法的平均绝对误差（MAE）为0.2566，优于基线方法的0.3153。
• 定性分析表明，所提方法在保留微小及弥漫性病灶方面表现更优，尤其在图4中绿色标记区域的病灶，基线方法未能识别。
• 联合训练策略减少了仅基于T1图像的分割中过度分割与假阳性，提升了整体准确率。
• 该方法表明，在联合训练中使用FLAIR作为监督信号，可在无需真实FLAIR扫描的情况下提升病灶敏感性。
• 尽管L2损失存在模糊倾向，该方法在图像锐度与结构保真度之间实现了良好平衡，其在病灶检测方面优于基于GAN的替代方案。