Domain generalization in deep learning for contrast-enhanced imaging

要約

領域汎化問題は、非造影画像に対する深層学習ではここ数年広く研究されているが、造影画像に対してはあまり注目されていない。しかし、造影剤の注入から画像取得までの時間など、臨床施設間で造影剤の画像処理プロトコルに著しい違いがあり、また、多施設の造影剤画像データへのアクセスは、非造影剤の画像処理の利用可能なデータセットに比べて限られている。このため、造影画像における新しい未知のドメインと臨床センターにわたって、単一ドメイン、単一センターの深層学習モデルを一般化するための新しいツールが求められている。本論文では、造影画像セグメンテーションのための未見の臨床センターへの汎化性を達成するための深層学習技術の網羅的な評価を行う。この目的のために、データ増強、ドメインミキシング、転移学習、ドメイン適応を含むいくつかの技術を調査し、最適化し、系統的に評価する。造影画像における領域汎化の可能性を示すために、造影心臓磁気共鳴画像法（MRI）における心室セグメンテーションについて評価した。フランス、スペイン、中国の3カ国にある4つの病院で取得された多施設の心臓造影MRIデータセットに基づき、結果を得ることができた。また、データ拡張と転移学習を組み合わせることで、学習時に含まれなかった新しい臨床施設にもよく汎化する単一施設モデルを導き出すことができることを示している。適切な汎化手法で強化された単一ドメインのニューラルネットワークは、造影剤画像において多施設・多ベンダーのモデルの性能に到達し、それを上回ることさえ可能であるため、汎化モデルを訓練するための包括的な多施設データセットが不要になるのである。

要約(オリジナル)

The domain generalization problem has been widely investigated in deep learning for non-contrast imaging over the last years, but it received limited attention for contrast-enhanced imaging. However, there are marked differences in contrast imaging protocols across clinical centers, in particular in the time between contrast injection and image acquisition, while access to multi-center contrast-enhanced image data is limited compared to available datasets for non-contrast imaging. This calls for new tools for generalizing single-domain, single-center deep learning models across new unseen domains and clinical centers in contrast-enhanced imaging. In this paper, we present an exhaustive evaluation of deep learning techniques to achieve generalizability to unseen clinical centers for contrast-enhanced image segmentation. To this end, several techniques are investigated, optimized and systematically evaluated, including data augmentation, domain mixing, transfer learning and domain adaptation. To demonstrate the potential of domain generalization for contrast-enhanced imaging, the methods are evaluated for ventricular segmentation in contrast-enhanced cardiac magnetic resonance imaging (MRI). The results are obtained based on a multi-center cardiac contrast-enhanced MRI dataset acquired in four hospitals located in three countries (France, Spain and China). They show that the combination of data augmentation and transfer learning can lead to single-center models that generalize well to new clinical centers not included during training. Single-domain neural networks enriched with suitable generalization procedures can reach and even surpass the performance of multi-center, multi-vendor models in contrast-enhanced imaging, hence eliminating the need for comprehensive multi-center datasets to train generalizable models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL