SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints

要約

脳磁気共鳴 (MR) 画像からの病変とその縦方向の進行の評価は、多発性硬化症 (MS) の診断とモニタリングにおいて重要な役割を果たします。
機械学習モデルは、自動 MS 病変セグメンテーションの大きな可能性を実証しています。
このようなモデルをトレーニングするには、通常、一貫して注釈が付けられた大規模で高品質のデータセットが必要です。
ただし、MS イメージング データセットは多くの場合小規模で、複数のサイトに分散されており、形式 (断面または縦方向) が異なり、注釈スタイルも多様です。
これは、統合された MS 病変セグメンテーション モデルをトレーニングする上で重大な課題を引き起こします。
この課題に取り組むために、異種データを入力として組み込み、全病変、新規病変、および消失病変のセグメンテーションを実行できる、新しいマルチデータセット マルチタスク セグメンテーション モデルである SegHeD を紹介します。
さらに、縦方向、空間的、体積の制約をセグメンテーション モデルに組み込んで、MS 病変に関する領域知識を考慮します。
SegHeD は 5 つの MS データセットで評価され、すべての新規病変および消失病変のセグメンテーションにおいて高いパフォーマンスを達成し、この分野のいくつかの最先端の方法を上回ります。

要約(オリジナル)

Assessment of lesions and their longitudinal progression from brain magnetic resonance (MR) images plays a crucial role in diagnosing and monitoring multiple sclerosis (MS). Machine learning models have demonstrated a great potential for automated MS lesion segmentation. Training such models typically requires large-scale high-quality datasets that are consistently annotated. However, MS imaging datasets are often small, segregated across multiple sites, with different formats (cross-sectional or longitudinal), and diverse annotation styles. This poses a significant challenge to train a unified MS lesion segmentation model. To tackle this challenge, we present SegHeD, a novel multi-dataset multi-task segmentation model that can incorporate heterogeneous data as input and perform all-lesion, new-lesion, as well as vanishing-lesion segmentation. Furthermore, we account for domain knowledge about MS lesions, incorporating longitudinal, spatial, and volumetric constraints into the segmentation model. SegHeD is assessed on five MS datasets and achieves a high performance in all, new, and vanishing-lesion segmentation, outperforming several state-of-the-art methods in this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google