MRSegmentator: Robust Multi-Modality Segmentation of 40 Classes in MRI and CT Sequences

要約

目的: MRI スキャンで多臓器セグメンテーションが可能な深層学習モデルを導入し、解像度、標準化された強度値、シーケンスの変動性の課題による MRI 解析の現在の制限に対するソリューションを提供します。
材料と方法: このモデルは、CT セグメンテーション モデルからのクロスモダリティ転移学習を活用して、英国バイオバンクからの手動で注釈が付けられた 1,200 件の MRI スキャン、221 件の社内 MRI スキャン、および 1,228 件の CT スキャンでトレーニングされました。
高品質のセグメンテーションを効率的に作成するために、人間参加型の注釈ワークフローが採用されました。
モデルのパフォーマンスは、NAKO と、600 件および 60 件の MRI 検査を含む AMOS22 データセットで評価されました。
ダイス類似係数 (DSC) とハウスドルフ距離 (HD) を使用して、セグメンテーションの精度を評価しました。
モデルはオープンソース化される予定です。
結果: このモデルは、明確に定義された臓器のセグメント化において高い精度を示し、右肺と左肺では 0.97、心臓では 0.95 というダイス類似係数 (DSC) スコアを達成しました。
また、ばらつきが大きい肝臓 (DSC: 0.96) や腎臓 (DSC: 左 0.95、右 0.95) などの臓器における堅牢性も実証されました。
ただし、門脈や脾静脈 (DSC: 0.54) や副腎 (DSC: 左 0.65、右 0.61) などのより小さく複雑な構造のセグメンテーションにより、さらなるモデルの最適化の必要性が明らかになりました。
結論: 提案されたモデルは、MRI および CT 画像内の 40 の解剖学的構造を正確にセグメンテーションするための堅牢なツールです。
クロスモダリティ学習とインタラクティブなアノテーションを活用することで、このモデルはさまざまなデータセットにわたって強力なパフォーマンスと一般化性を実現し、研究者や臨床医にとって貴重なリソースとなっています。
これはオープンソースであり、https://github.com/hhaentze/MRSegmentator からダウンロードできます。

要約(オリジナル)

Purpose: To introduce a deep learning model capable of multi-organ segmentation in MRI scans, offering a solution to the current limitations in MRI analysis due to challenges in resolution, standardized intensity values, and variability in sequences. Materials and Methods: he model was trained on 1,200 manually annotated MRI scans from the UK Biobank, 221 in-house MRI scans and 1228 CT scans, leveraging cross-modality transfer learning from CT segmentation models. A human-in-the-loop annotation workflow was employed to efficiently create high-quality segmentations. The model’s performance was evaluated on NAKO and the AMOS22 dataset containing 600 and 60 MRI examinations. Dice Similarity Coefficient (DSC) and Hausdorff Distance (HD) was used to assess segmentation accuracy. The model will be open sourced. Results: The model showcased high accuracy in segmenting well-defined organs, achieving Dice Similarity Coefficient (DSC) scores of 0.97 for the right and left lungs, and 0.95 for the heart. It also demonstrated robustness in organs like the liver (DSC: 0.96) and kidneys (DSC: 0.95 left, 0.95 right), which present more variability. However, segmentation of smaller and complex structures such as the portal and splenic veins (DSC: 0.54) and adrenal glands (DSC: 0.65 left, 0.61 right) revealed the need for further model optimization. Conclusion: The proposed model is a robust, tool for accurate segmentation of 40 anatomical structures in MRI and CT images. By leveraging cross-modality learning and interactive annotation, the model achieves strong performance and generalizability across diverse datasets, making it a valuable resource for researchers and clinicians. It is open source and can be downloaded from https://github.com/hhaentze/MRSegmentator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google