Toward Generalizable Multiple Sclerosis Lesion Segmentation Models

要約

多発性硬化症 (MS) 病変のセグメンテーションを自動化することは、初期診断だけでなく疾患の進行のモニタリングにも大きな利点をもたらします。
深層学習ベースのセグメンテーション モデルは多くの領域で良好に機能しますが、MS 病変セグメンテーションにおける最先端の技術は依然として最適とは言えません。
単一の評価データセットでのパフォーマンスの最適化に焦点を当てた以前の MS 病変セグメンテーションの課題を補完するこの研究は、さまざまなスキャナー、設定、患者コホートを含む現実世界の臨床シナリオを反映し、多様な評価データセットにわたって一般化するモデルを開発することを目的としています。
この目的を達成するために、私たちは、最先端の UNet++ アーキテクチャを体系的にトレーニングした、公的に入手可能な高品質の MS 病変セグメンテーション データセットをすべて使用しました。
結果として得られるモデルは、残りのテスト データセット (一般化可能) 全体で一貫したパフォーマンスを示し、より大規模で異種のデータセットがより優れたモデルにつながります。
私たちの知る限り、これは、公的に入手可能なデータセットを使用した、これまでの MS 病変セグメンテーション モデルの最も包括的なデータセット間評価を表しています。
さらに、データセットを結合してデータセット サイズを明示的に拡張すると、モデルのパフォーマンスが向上しました。
具体的には、MSSEG2016 トレイン、ISBI2015、3D-MR-MS データセットを組み合わせてトレーニングされたモデルは、MICCAI-2016 コンペティションの勝者を上回ります。
さらに、モデルの一般化可能性は、MRI 強度に対する分位正規化の独自の使用にも依存していることを示します。

要約(オリジナル)

Automating Multiple Sclerosis (MS) lesion segmentation would be of great benefit in initial diagnosis as well as monitoring disease progression. Deep learning based segmentation models perform well in many domains, but the state-of-the-art in MS lesion segmentation is still suboptimal. Complementary to previous MS lesion segmentation challenges which focused on optimizing the performance on a single evaluation dataset, this study aims to develop models that generalize across diverse evaluation datasets, mirroring real-world clinical scenarios that involve varied scanners, settings, and patient cohorts. To this end, we used all high-quality publicly-available MS lesion segmentation datasets on which we systematically trained a state-of-the-art UNet++ architecture. The resulting models demonstrate consistent performance across the remaining test datasets (are generalizable), with larger and more heterogeneous datasets leading to better models. To the best of our knowledge, this represents the most comprehensive cross-dataset evaluation of MS lesion segmentation models to date using publicly available datasets. Additionally, explicitly enhancing dataset size by merging datasets improved model performance. Specifically, a model trained on the combined MSSEG2016-train, ISBI2015, and 3D-MR-MS datasets surpasses the winner of the MICCAI-2016 competition. Moreover, we demonstrate that the generalizability of our models also relies on our original use of quantile normalization on MRI intensities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google