Monitoring morphometric drift in lifelong learning segmentation of the spinal cord

要約

脊髄のセグメンテーションから得られる形態計測指標は、脊髄に影響を及ぼす神経疾患や損傷における診断や予後のバイオマーカーとして役立つ。過去数年にわたり、さまざまなコントラストや病態に対す るロバストな自動セグメンテーション法が開発されてきたが、 新しいデータセットを用いてモデルを更新したときに、 その予測値が安定しているかどうかは評価されていない。このことは、健康な被験者から規範値を導き出す上で特に重要である。本研究では、9つの異なるMRIコントラストと複数の脊髄病態を含む、マルチサイト$(n=75)$データセットで学習した脊髄セグメンテーションモデルを提示する。また、追加データセットを用いてモデルを更新する際に、形態計測ドリフトを自動的に監視する生涯学習フレームワークを紹介する。このフレームワークは、新しいモデルが作成される度にGitHub Actionsの自動ワークフローによって起動され、モデルの予測から得られた形態計測値を経時的に記録する。提案するフレームワークの実世界での応用として、脊髄形態計測の一般的な測定値を含む、最近導入された健常者の規範データベースを更新するために、脊髄セグメンテーションモデルを採用した。その結果、以下のことが示された：(ii)形態計測のドリフトを監視する自動ワークフローは、将来のセグメンテーションモデル開発のための迅速なフィードバックループを提供する。(iii)形態計測のデータベースを更新するために必要なスケーリング係数は、与えられた椎骨レベルのスライス間でほぼ一定であり、フレームワークによって監視されるモデルの現行バージョンと旧バージョンの間で最小ドリフトを示す。このモデルはSpinal Cord Toolbox v7.0で自由に利用できる。

要約(オリジナル)

Morphometric measures derived from spinal cord segmentations can serve as diagnostic and prognostic biomarkers in neurological diseases and injuries affecting the spinal cord. While robust, automatic segmentation methods to a wide variety of contrasts and pathologies have been developed over the past few years, whether their predictions are stable as the model is updated using new datasets has not been assessed. This is particularly important for deriving normative values from healthy participants. In this study, we present a spinal cord segmentation model trained on a multisite $(n=75)$ dataset, including 9 different MRI contrasts and several spinal cord pathologies. We also introduce a lifelong learning framework to automatically monitor the morphometric drift as the model is updated using additional datasets. The framework is triggered by an automatic GitHub Actions workflow every time a new model is created, recording the morphometric values derived from the model’s predictions over time. As a real-world application of the proposed framework, we employed the spinal cord segmentation model to update a recently-introduced normative database of healthy participants containing commonly used measures of spinal cord morphometry. Results showed that: (i) our model outperforms previous versions and pathology-specific models on challenging lumbar spinal cord cases, achieving an average Dice score of $0.95 \pm 0.03$; (ii) the automatic workflow for monitoring morphometric drift provides a quick feedback loop for developing future segmentation models; and (iii) the scaling factor required to update the database of morphometric measures is nearly constant among slices across the given vertebral levels, showing minimum drift between the current and previous versions of the model monitored by the framework. The model is freely available in Spinal Cord Toolbox v7.0.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL