SynthSeg: Segmentation of brain MRI scans of any contrast and resolution without retraining

要約

データ拡張と転移学習の進歩にもかかわらず、畳み込みニューラル ネットワーク (CNN) は目に見えないドメインに一般化するのが困難です。
脳スキャンをセグメント化する場合、CNN は解像度とコントラストの変化に非常に敏感です。同じ MRI モダリティ内であっても、データセット全体でパフォーマンスが低下する可能性があります。
ここでは、コントラストと解像度の変化に対して堅牢な最初のセグメンテーション CNN である SynthSeg を紹介します。
SynthSeg は、セグメンテーションで条件付けされた生成モデルからサンプリングされた合成データでトレーニングされます。
重要なのは、合成トレーニング データのコントラストと解像度を完全にランダム化するドメイン ランダム化戦略を採用していることです。
その結果、SynthSeg は、再トレーニングや微調整を行うことなく、幅広いターゲット ドメインから実際のスキャンをセグメント化できるため、大量の異種臨床データを簡単に分析できます。
SynthSeg はセグメンテーションのトレーニングのみを必要とするため (画像は必要ありません)、さまざまな集団 (加齢や病気など) で自動化された方法によって取得されたラベルから学習できるため、幅広い形態的変動に対するロバスト性を実現できます。
6 つのモダリティ (CT を含む) の 5,000 スキャンと 10 の解像度で SynthSeg を実証し、教師あり CNN、最先端のドメイン適応、およびベイジアン セグメンテーションと比較して比類のない一般化を示します。
最後に、SynthSeg を心臓 MRI および CT スキャンに適用することにより、SynthSeg の一般化可能性を示します。

要約(オリジナル)

Despite advances in data augmentation and transfer learning, convolutional neural networks (CNNs) difficultly generalise to unseen domains. When segmenting brain scans, CNNs are highly sensitive to changes in resolution and contrast: even within the same MRI modality, performance can decrease across datasets. Here we introduce SynthSeg, the first segmentation CNN robust against changes in contrast and resolution. SynthSeg is trained with synthetic data sampled from a generative model conditioned on segmentations. Crucially, we adopt a domain randomisation strategy where we fully randomise the contrast and resolution of the synthetic training data. Consequently, SynthSeg can segment real scans from a wide range of target domains without retraining or fine-tuning, which enables straightforward analysis of huge amounts of heterogeneous clinical data. Because SynthSeg only requires segmentations to be trained (no images), it can learn from labels obtained by automated methods on diverse populations (e.g., ageing and diseased), thus achieving robustness to a wide range of morphological variability. We demonstrate SynthSeg on 5,000 scans of six modalities (including CT) and ten resolutions, where it exhibits unparalleled generalisation compared with supervised CNNs, state-of-the-art domain adaptation, and Bayesian segmentation. Finally, we demonstrate the generalisability of SynthSeg by applying it to cardiac MRI and CT scans.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google