[论文解读] SUNet: a deep learning architecture for acute stroke lesion segmentation and outcome prediction in multimodal MRI.

Albert Clèrigues, Sergi Valverde+4 more|arXiv (Cornell University)|Oct 31, 2018

Acute Ischemic Stroke Management参考文献 21被引用 8

一句话总结

该论文提出SUNet，一种专为多模态MRI中急性卒中病灶分割与预后预测而设计的深度学习架构，采用混合数据采样策略以解决类别不平衡问题。该模型在无需任务特定超参数调优的情况下，在三个独立的ISLES挑战赛中均达到最先进性能，展现出对多样化急性卒中任务的稳健泛化能力。

ABSTRACT

Acute stroke lesion segmentation and prediction tasks are of great clinical interest as they can help doctors make better informed time-critical treatment decisions. Automatic segmentation of these lesions is a complex task due to their heterogeneous appearance, dynamic evolution and inter-patient differences. Typically, acute stroke lesion tasks are approached with methods developed for chronic stroke or other brain lesions. However, the pathophysiology and anatomy of acute stroke establishes an inherently different problem that needs special consideration. In this work, we propose a novel deep learning architecture specially designed for acute stroke tasks that involve approximating complex non-linear functions with reduced data. Within our strategy, class imbalance is tackled using a hybrid strategy based on state-of-the-art train sampling strategies designed for other brain lesion related tasks, which is more suited to the anatomy and pathophysiology of acute stroke lesions. The proposed method is evaluated on three unrelated public international challenge datasets (ISLES) without any dataset specific hyper-parameter tuning. These involve the tasks of sub-acute stroke lesion segmentation, acute stroke penumbra estimation and chronic extent prediction from acute MR images. The performance of the proposed architecture is analysed both against similar deep learning architectures from chronic stroke and related biomedical tasks and also by submitting the segmented test images for blind online evaluation on each of the challenges. When compared with the rest of submitted strategies, our method achieves top-rank performance among the best submitted entries in all the three challenges, showing its capability to deal with different unrelated tasks without hyper-parameter tuning. In order to promote the reproducibility of our results, a public version of the proposed method has been released.

研究动机与目标

• 解决急性卒中病灶分割所面临的独特挑战，此类挑战与慢性卒中或其他脑部病灶任务不同，源于病理生理学和解剖学的复杂性。
• 开发一种专为急性卒中设计的深度学习架构，以应对数据有限和严重类别不平衡的问题。
• 在无需任务特定超参数调优的情况下，评估模型在多个无关急性卒中任务中的性能表现。
• 通过公开发布所提出方法的版本，促进研究的可复现性。

提出的方法

• SUNet采用一种新颖的深度学习架构，专为急性卒中影像优化，整合了针对急性病灶动态性和异质性特征的架构设计原则。
• 其集成了混合数据采样策略，结合当前脑部病灶任务中的先进技术，以缓解急性卒中数据中的类别不平衡问题。
• 该模型在多模态MRI数据上端到端进行训练，同时执行病灶分割与预后预测任务。
• 其基于迁移学习原理构建，并在三个独立的ISLES挑战赛数据集上进行评估，未进行任何数据集特定的超参数调整。
• 该架构旨在以有限的训练数据逼近复杂的非线性函数，从而增强在不同卒中表型间的泛化能力。
• 通过在所有三个ISLES挑战赛中进行盲评在线验证，对方法进行了验证，确保了性能评估的客观性。

实验结果

研究问题

• RQ1 专为急性卒中设计的深度学习架构是否能在病灶分割与预后预测任务中超越通用模型？
• RQ2 混合数据采样策略在数据有限的急性卒中病灶分割中，对缓解类别不平衡问题的效率如何？
• RQ3 单一模型在无需任务特定调优的情况下，能在多大程度上泛化至多个无关的急性卒中任务（如亚急性病灶分割、半暗带估计和慢性期范围预测）？
• RQ4 在盲评条件下，SUNet是否在多个独立的ISLES挑战赛中均达到最先进性能？

主要发现

• SUNet在所有三个ISLES挑战赛中均取得最高排名，展现出在多样化急性卒中任务中的卓越泛化能力。
• 该模型在病灶分割任务中优于现有用于慢性卒中及相关生物医学任务的深度学习架构，凸显了任务特定设计的重要性。
• 混合采样策略有效缓解了类别不平衡问题，即使在训练数据有限的情况下也显著提升了分割精度。
• 该方法在未进行任何数据集特定超参数调优的情况下实现了优异性能，表明其在不同卒中影像协议间具有强鲁棒性和可迁移性。
• SUNet的公开发布提升了研究的可复现性，并为未来急性卒中影像分析研究提供了支持。
• 盲评在线评估证实了该模型在独立数据集上性能的可靠性与一致性。