atTRACTive: Semi-automatic white matter tract segmentation using active learning

要約

医用画像中の白質路を正確に同定することは、手術計画や白質路特異的解析を含む様々な応用に不可欠である。教師あり機械学習モデルは、このタスクを自動的に解決する最先端技術に到達している。しかし、これらのモデルは主に健常者を対象として学習されたものであり、脳腫瘍などによる強い解剖学的異常に対して苦戦している。この制限により、術前計画のようなタスクには不向きであり、そのため、時間がかかり困難な手動による標的管の描出が一般的に採用されている。我々は、数百万の流線からなる全脳トラクトグラフィから白質路を迅速かつ直感的にセグメンテーションするための、エントロピーに基づく半自動能動学習を提案する。本手法は、ヒト・コネクトーム・プロジェクト（Human Connectome Project）から公開されている21人の健常者と、10人の脳神経外科症例からなる内部データセットで評価された。わずかなアノテーションで、提案手法は腫瘍症例において健常者と同程度のトラクトのセグメンテーションを可能にした(dice=0.71)が、TractSegのような自動手法の性能は健常者と比較して大幅に低下した(dice=0.34)。この方法は、自由に利用できるソフトウェアMITK DiffusionにatTRACTiveと名付けられたプロトタイプとして実装されている。腫瘍データを用いた手動実験では、従来のROIベースのセグメンテーションと比較して、セグメンテーション時間が短いため、効率が高いことが示された。

要約(オリジナル)

Accurately identifying white matter tracts in medical images is essential for various applications, including surgery planning and tract-specific analysis. Supervised machine learning models have reached state-of-the-art solving this task automatically. However, these models are primarily trained on healthy subjects and struggle with strong anatomical aberrations, e.g. caused by brain tumors. This limitation makes them unsuitable for tasks such as preoperative planning, wherefore time-consuming and challenging manual delineation of the target tract is typically employed. We propose semi-automatic entropy-based active learning for quick and intuitive segmentation of white matter tracts from whole-brain tractography consisting of millions of streamlines. The method is evaluated on 21 openly available healthy subjects from the Human Connectome Project and an internal dataset of ten neurosurgical cases. With only a few annotations, the proposed approach enables segmenting tracts on tumor cases comparable to healthy subjects (dice=0.71), while the performance of automatic methods, like TractSeg dropped substantially (dice=0.34) in comparison to healthy subjects. The method is implemented as a prototype named atTRACTive in the freely available software MITK Diffusion. Manual experiments on tumor data showed higher efficiency due to lower segmentation times compared to traditional ROI-based segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL