[论文解读] White matter hyperintensity segmentation from T1 and FLAIR images using fully convolutional neural networks enhanced with residual connections

Dakai Jin, Ziyue Xu+2 more|arXiv (Cornell University)|Mar 19, 2018

Advanced Neuroimaging Techniques and Applications参考文献 8被引用 5

一句话总结

该论文提出了一种轻量级、全卷积神经网络，结合残差连接，即ResU-Net，用于从T1和FLAIR MRI扫描中分割白质高信号（WMHs）。通过利用残差学习和多对比度输入，该方法在未见过的MRI扫描仪上实现了最先进的泛化性能，其Hausdorff距离和平均体积差异得分均优于顶级挑战参赛方法。

ABSTRACT

Segmentation and quantification of white matter hyperintensities (WMHs) are of great importance in studying and understanding various neurological and geriatric disorders. Although automatic methods have been proposed for WMH segmentation on magnetic resonance imaging (MRI), manual corrections are often necessary to achieve clinically practical results. Major challenges for WMH segmentation stem from their inhomogeneous MRI intensities, random location and size distributions, and MRI noise. The presence of other brain anatomies or diseases with enhanced intensities adds further difficulties. To cope with these challenges, we present a specifically designed fully convolutional neural network (FCN) with residual connections to segment WMHs by using combined T1 and fluid-attenuated inversion recovery (FLAIR) images. Our customized FCN is designed to be straightforward and generalizable, providing efficient end-to-end training due to its enhanced information propagation. We tested our method on the open WMH Segmentation Challenge MICCAI2017 dataset, and, despite our method's relative simplicity, results show that it performs amongst the leading techniques across five metrics. More importantly, our method achieves the best score for hausdorff distance and average volume difference in testing datasets from two MRI scanners that were not included in training, demonstrating better generalization ability of our proposed method over its competitors.

研究动机与目标

• 开发一种鲁棒且可泛化的自动脑部MRI白质高信号（WMH）分割方法。
• 解决强度非均匀性、病灶大小和位置可变性以及WMH分割中的噪声等挑战。
• 通过引入残差连接和多对比度（T1和FLAIR）输入，提升分割性能，同时避免对特定数据集的过拟合。
• 确保方法在未见过的MRI扫描仪上具有良好泛化能力，支持超越基准挑战的实际临床部署。
• 在保持计算效率和架构简洁性的同时，实现与复杂、任务特定模型相当的性能。

提出的方法

• 采用两阶段流程：首先，使用裁剪后的U-Net结合形态学优化，从T1加权图像中分割白质区域。
• 其次，训练一个残差U-Net（ResU-Net），在融合的T1和FLAIR图像上进行WMH分割，跳跃连接有助于改善梯度流动。
• 残差块通过快捷连接实现，将输入直接加到残差函数上：$ x_{\ell+1} = x_\ell + \mathcal{F}(x_\ell, \mathcal{W}_\ell) $，从而提升训练稳定性和特征学习能力。
• 采用随机梯度下降进行端到端训练，损失函数为交叉熵，实现高效且鲁棒的优化。
• 应用数据增强和归一化，以增强对强度变化和扫描仪差异的鲁棒性。
• 后处理包括形态学操作以及基于白质分割结果的感兴趣区域掩码，以限制WMH检测范围。

实验结果

研究问题

• RQ1 一个简单、全卷积的网络若结合残差连接，是否能在无需大量架构定制的情况下实现高性能的WMH分割？
• RQ2 与单对比度方法相比，T1和FLAIR对比度的融合在WMH检测中带来了多大程度的性能提升？
• RQ3 所提出的方法在训练期间未见过的MRI扫描仪数据上，其泛化能力达到何种程度？
• RQ4 使用残差连接是否能减少假阳性和提升对小尺寸、细微结构WMH的检测能力？
• RQ5 在实际临床部署场景中，轻量级、通用网络是否能超越复杂、挑战优化的模型？

主要发现

• 所提出的方法（命名为 nih_cidi_2）在MICCAI 2017年WMH分割挑战赛主测试集上取得22个提交中的第4名。
• 在两个未见过的MRI扫描仪（GE 1.5T 和 PETMR）上，该方法在前五名方法中取得了最佳Hausdorff距离（H95）和平均体积差异（AVD%）得分。
• 尽管Dice分数在未见过的扫描仪上略有下降，但降幅极小（≤3%），而其他顶尖团队在至少三个指标上均出现≥3%的下降。
• 该方法优于复杂的基于图像块的模型（如 nlp_logix 和 nic-vicorob），后者需要大量后处理且计算成本高昂。
• 采用残差连接的ResU-Net设计提升了对小尺寸、细微结构WMH的检测能力，并减少了假阳性，相较于基线U-Net表现更优。
• 该方法展现出强大的泛化能力，未见过扫描仪上的性能仅出现微小下降，证实其在超越挑战设定的实际临床应用中的适用性。