Search Wide, Focus Deep: Automated Fetal Brain Extraction with Sparse Training Data

要約

子宮全体の MRI からの胎児脳の自動抽出は、さまざまな頭部サイズ、方向、複雑な解剖学的構造、および蔓延するアーチファクトのため、困難な作業です。
合成画像でトレーニングされた深層学習 (DL) モデルは成人の脳の抽出には成功していますが、これらのネットワークを胎児 MRI に適応させるのは、ラベル付けされたデータがまばらであるため困難であり、偽陽性予測の増加につながります。
この課題に対処するために、私たちは、まばらな合成ラベルでトレーニングされたネットワークでの誤検知を減らすテスト時戦略を提案します。
このアプローチでは、幅微細検索 (BFS) を使用して胎児の脳が含まれる可能性のあるサブボリュームを特定し、続いて深焦点スライディング ウィンドウ (DFS) 検索を使用して抽出を絞り込み、予測をプールして誤検知を最小限に抑えます。
少数の胎児脳ラベル マップから派生し、ランダムな幾何学的形状で強化された合成画像を使用して、さまざまなウィンドウ サイズでモデルをトレーニングします。
各モデルは、脳組織が部分的またはまったくない場合を含め、さまざまな頭の位置とスケールでトレーニングされています。
当社のフレームワークは、妊娠第 3 期の胎児の臨床 HASTE スキャンにおける最先端の脳抽出法と一致し、妊娠第 2 期の Dice および両妊娠期間にわたる EPI スキャンの点でそれらを最大 5% 上回っています。
私たちの結果は、関心領域を段階的に調整することで脳抽出精度を向上させ、脳マスクスライスの欠落や他の組織を脳と誤認するリスクを最小限に抑えるための、スライディングウィンドウアプローチと、合成画像でトレーニングされた複数のモデルからの予測を組み合わせることの有用性を実証しています。

要約(オリジナル)

Automated fetal brain extraction from full-uterus MRI is a challenging task due to variable head sizes, orientations, complex anatomy, and prevalent artifacts. While deep-learning (DL) models trained on synthetic images have been successful in adult brain extraction, adapting these networks for fetal MRI is difficult due to the sparsity of labeled data, leading to increased false-positive predictions. To address this challenge, we propose a test-time strategy that reduces false positives in networks trained on sparse, synthetic labels. The approach uses a breadth-fine search (BFS) to identify a subvolume likely to contain the fetal brain, followed by a deep-focused sliding window (DFS) search to refine the extraction, pooling predictions to minimize false positives. We train models at different window sizes using synthetic images derived from a small number of fetal brain label maps, augmented with random geometric shapes. Each model is trained on diverse head positions and scales, including cases with partial or no brain tissue. Our framework matches state-of-the-art brain extraction methods on clinical HASTE scans of third-trimester fetuses and exceeds them by up to 5\% in terms of Dice in the second trimester as well as EPI scans across both trimesters. Our results demonstrate the utility of a sliding-window approach and combining predictions from several models trained on synthetic images, for improving brain-extraction accuracy by progressively refining regions of interest and minimizing the risk of missing brain mask slices or misidentifying other tissues as brain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google