Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions

要約

脳卒中研究と脳卒中回復予測における大きな課題は、脳卒中病変の範囲と関連する脳システムへの影響を判断することです。
現在の代表的な 3D 磁気共鳴 (MR) イメージング ボリュームからの脳卒中病変の手動セグメンテーションは、非常に時間がかかるだけでなく、その精度はオペレータの経験に大きく依存します。
その結果、病変の範囲と各病変の影響を効率的かつ客観的に測定して、臨床、トランスレーショナル、研究の現場に有益となる機能障害と回復の可能性を予測できる、完全に自動化されたセグメンテーション方法が必要とされています。
私たちは、転移学習 (TL) と混合データ アプローチによって訓練された 8 つの異なる 2D モデル アーキテクチャを使用して開発された、脳卒中病変セグメンテーションのための完全自動手法を実装およびテストしました。
さらに、最終的な予測は、スタッキングと一致ウィンドウを含む新しいアンサンブル手法を使用して行われました。
私たちの新しい方法は、22 枚の T1w 脳 MR 画像を含む新しい社内データセットで評価されました。これはさまざまな観点から困難でしたが、その主な理由は、亜急性期 (通常、あまり明確ではない T1 病変) および慢性脳卒中期の T1w MR 画像が含まれていたためです。
(これは通常、明確に定義された T1 病変を意味します)。
相互検証の結果は、私たちの新しい方法がグラウンドトゥルースと比較して、効率的かつ自動的に病変を高速かつ高精度でセグメント化できることを示しています。
セグメンテーションに加えて、皮質運動領域から脳幹の最下端まで広がる標準構造運動システムとの病変の重なりに基づいて、関連する脳システムの病変容積と重み付けされた病変負荷を提供します。

要約(オリジナル)

A major challenge in stroke research and stroke recovery predictions is the determination of a stroke lesion’s extent and its impact on relevant brain systems. Manual segmentation of stroke lesions from 3D magnetic resonance (MR) imaging volumes, the current gold standard, is not only very time-consuming, but its accuracy highly depends on the operator’s experience. As a result, there is a need for a fully automated segmentation method that can efficiently and objectively measure lesion extent and the impact of each lesion to predict impairment and recovery potential which might be beneficial for clinical, translational, and research settings. We have implemented and tested a fully automatic method for stroke lesion segmentation which was developed using eight different 2D-model architectures trained via transfer learning (TL) and mixed data approaches. Additionally, the final prediction was made using a novel ensemble method involving stacking and agreement window. Our novel method was evaluated in a novel in-house dataset containing 22 T1w brain MR images, which were challenging in various perspectives, but mostly because they included T1w MR images from the subacute (which typically less well defined T1 lesions) and chronic stroke phase (which typically means well defined T1-lesions). Cross-validation results indicate that our new method can efficiently and automatically segment lesions fast and with high accuracy compared to ground truth. In addition to segmentation, we provide lesion volume and weighted lesion load of relevant brain systems based on the lesions’ overlap with a canonical structural motor system that stretches from the cortical motor region to the lowest end of the brain stem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google