Domain Adaptation using Silver Standard Masks for Lateral Ventricle Segmentation in FLAIR MRI

要約

側室容積 (LVV) は、臨床研究における重要なバイオマーカーです。
流体減衰反転回復 (FLAIR) MRI 用の最初の転移学習ベースの LVV セグメンテーション手法を紹介します。
ソース ドメインとターゲット ドメイン間の共変量のシフトを軽減するために、この研究では 3 つのターゲット データセットのパフォーマンスを最適化するドメイン適応方法を提案します。
シルバー スタンダード (SS) マスクは、新しい従来の画像処理心室セグメンテーション アルゴリズムを使用してターゲット ドメインから生成され、ソース ドメインであるカナダ アテローム性動脈硬化イメージング ネットワーク (CAIN) からのゴールド スタンダード (GS) データを補足するために使用されました。
4 つのデータセットからのホールドアウト テスト セットで 4 つのモデルがテストされました。1) SS+GS: ターゲット SS マスクでトレーニングされ、ソース GS マスクで微調整されました。2) GS+SS: ソース GS マスクでトレーニングされ、ソース GS マスクで微調整されました。
ターゲット SS マスク、3) ソース GS でトレーニングされた (GS CAIN のみ)、および 4) ターゲット SS マスクでトレーニングされた (SS のみ)。
SS+GS モデルは、最高かつ最も一貫したパフォーマンス (平均 DSC = 0.89、CoV = 0.05) を示し、3 つのターゲット ドメインで GS のみのモデルと比較して有意に (p < 0.05) 高い DSC を示しました。 結果は、ターゲット ドメインのノイズのあるラベルを使用した事前トレーニングにより、モデルがデータセット固有の特性に適応し、堅牢なパラメーターの初期化が可能になり、同時に GS マスクを使用した微調整によりモデルが詳細な特徴を学習できることを示唆しています。 この方法は、ラベル付きデータが不足している他の医用画像問題に幅広く応用でき、大規模な導入を促進するためのデータセットごとのキャリブレーション方法として使用できます。

要約(オリジナル)

Lateral ventricular volume (LVV) is an important biomarker for clinical investigation. We present the first transfer learning-based LVV segmentation method for fluid-attenuated inversion recovery (FLAIR) MRI. To mitigate covariate shifts between source and target domains, this work proposes an domain adaptation method that optimizes performance on three target datasets. Silver standard (SS) masks were generated from the target domain using a novel conventional image processing ventricular segmentation algorithm and used to supplement the gold standard (GS) data from the source domain, Canadian Atherosclerosis Imaging Network (CAIN). Four models were tested on held-out test sets from four datasets: 1) SS+GS: trained on target SS masks and fine-tuned on source GS masks, 2) GS+SS: trained on source GS masks and fine-tuned on target SS masks, 3) trained on source GS (GS CAIN Only) and 4) trained on target SS masks (SS Only). The SS+GS model had the best and most consistent performance (mean DSC = 0.89, CoV = 0.05) and showed significantly (p < 0.05) higher DSC compared to the GS-only model on three target domains. Results suggest pre-training with noisy labels from the target domain allows the model to adapt to the dataset-specific characteristics and provides robust parameter initialization while fine-tuning with GS masks allows the model to learn detailed features. This method has wide application to other medical imaging problems where labeled data is scarce, and can be used as a per-dataset calibration method to accelerate wide-scale adoption.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google