Shape-aware Segmentation of the Placenta in BOLD Fetal MRI Time Series

要約

母体の高酸素状態を伴う血中酸素レベル依存性 (BOLD) MRI 時系列は、胎盤の酸素化と機能を評価できます。
胎盤の BOLD 変化を正確に測定するには、正確な側頭胎盤セグメンテーションが必要ですが、胎児と母体の動き、収縮、および高酸素によって引き起こされる強度の変化によって混乱が生じます。
現在の BOLD 胎盤セグメンテーション手法は、手動で注釈を付けた被験者固有のテンプレートを時系列全体にワープします。
しかし、胎盤は薄く、細長く、非常に非剛性な器官であり、大きく変形し、エッジが不明瞭になりやすいため、既存の研究では、特に境界付近で胎盤の形状を正確にセグメント化することができません。
この研究では、胎盤 BOLD MRI の機械学習セグメンテーション フレームワークを提案し、それを時系列の各ボリュームのセグメント化に適用します。
当社では胎盤境界加重損失公式を使用し、いくつかの一般的なセグメンテーション目標にわたって包括的な評価を実行します。
私たちのモデルは、健康な胎児、胎児発育制限のある胎児、BMI の高い母親を含む 91 人の被験者のコホートでトレーニングおよびテストされています。
生物医学的には、私たちのモデルは、BOLD 時系列の正常酸素点と高酸素点の両方でボリュームをセグメント化する際に確実に機能します。
さらに、境界重み付けにより、胎盤セグメンテーションのパフォーマンスが、クロスエントロピーと符号付き距離変換の目的に対して、それぞれ 8.3% と 6.0% の Dice 係数だけ向上することがわかりました。
私たちのコードとトレーニング済みモデルは、https://github.com/mabulnaga/automatic-placenta-segmentation で入手できます。

要約(オリジナル)

Blood oxygen level dependent (BOLD) MRI time series with maternal hyperoxia can assess placental oxygenation and function. Measuring precise BOLD changes in the placenta requires accurate temporal placental segmentation and is confounded by fetal and maternal motion, contractions, and hyperoxia-induced intensity changes. Current BOLD placenta segmentation methods warp a manually annotated subject-specific template to the entire time series. However, as the placenta is a thin, elongated, and highly non-rigid organ subject to large deformations and obfuscated edges, existing work cannot accurately segment the placental shape, especially near boundaries. In this work, we propose a machine learning segmentation framework for placental BOLD MRI and apply it to segmenting each volume in a time series. We use a placental-boundary weighted loss formulation and perform a comprehensive evaluation across several popular segmentation objectives. Our model is trained and tested on a cohort of 91 subjects containing healthy fetuses, fetuses with fetal growth restriction, and mothers with high BMI. Biomedically, our model performs reliably in segmenting volumes in both normoxic and hyperoxic points in the BOLD time series. We further find that boundary-weighting increases placental segmentation performance by 8.3% and 6.0% Dice coefficient for the cross-entropy and signed distance transform objectives, respectively. Our code and trained model is available at https://github.com/mabulnaga/automatic-placenta-segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google