Fighting the scanner effect in brain MRI segmentation with a progressive level-of-detail network trained on multi-site data

要約

ヒトの脳に関する多くの臨床研究および研究において、正確な構造的MRIセグメンテーションが必要とされている。従来のアトラスベースの手法は、あらゆる撮影部位からのボリュームに適用できるが、最近の深層学習アルゴリズムは、トレーニングで利用した同じ部位からのデータ（すなわち、内部データ）でテストした場合にのみ、非常に高い精度を確保することが可能である。外部データ（すなわち、未見部位からの未見ボリューム）で経験する性能低下は、異なるMRスキャナモデル、撮影パラメータ、および固有のアーティファクトによって誘発される強度分布の部位間変動に起因するものである。このような部位依存性（スキャナ効果）を軽減するために、我々はLOD-Brainを提案する。LODは漸進的な詳細度（Level of Detail）を持つ3次元畳み込みニューラルネットワークで、あらゆる部位からの脳データをセグメント化することができる。より粗いレベルのネットワークは、脳構造とその位置を特定するのに有用なロバストな解剖学的事前分布を学習し、より細かいレベルは、部位固有の強度分布と解剖学的変異を扱うためにモデルを改良する役割を担っている。我々は、オープンリポジトリのデータを集約した前例のない豊富なデータセットでモデルを学習させることにより、部位間の頑健性を保証している：8歳から90歳までの人口の約160の撮影部位、1.5〜3Tの約27,000のT1wボリューム。広範なテストにより、LOD-Brainは、内部サイトと外部サイトの間で性能に有意差がなく、困難な解剖学的変化にも頑健で、最先端の結果を生み出すことが実証されています。その移植性は、異なる医療機関、患者集団、画像技術メーカーにまたがる大規模なアプリケーションへの道を開きます。コード、モデル、デモはプロジェクトのウェブサイトから入手可能です。

要約(オリジナル)

Many clinical and research studies of the human brain require an accurate structural MRI segmentation. While traditional atlas-based methods can be applied to volumes from any acquisition site, recent deep learning algorithms ensure very high accuracy only when tested on data from the same sites exploited in training (i.e., internal data). The performance degradation experienced on external data (i.e., unseen volumes from unseen sites) is due to the inter-site variabilities in intensity distributions induced by different MR scanner models, acquisition parameters, and unique artefacts. To mitigate this site-dependency, often referred to as the scanner effect, we propose LOD-Brain, a 3D convolutional neural network with progressive levels-of-detail (LOD) able to segment brain data from any site. Coarser network levels are responsible to learn a robust anatomical prior useful for identifying brain structures and their locations, while finer levels refine the model to handle site-specific intensity distributions and anatomical variations. We ensure robustness across sites by training the model on an unprecedented rich dataset aggregating data from open repositories: almost 27,000 T1w volumes from around 160 acquisition sites, at 1.5 – 3T, from a population spanning from 8 to 90 years old. Extensive tests demonstrate that LOD-Brain produces state-of-the-art results, with no significant difference in performance between internal and external sites, and robust to challenging anatomical variations. Its portability opens the way for large scale application across different healthcare institutions, patient populations, and imaging technology manufacturers. Code, model, and demo are available at the project website.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL