MindGrab for BrainChop: Fast and Accurate Skull Stripping for Command Line and Browser

要約

私たちは、モダリティの頭部画像で体積測定の頭蓋骨縞模様のためのパラメーターおよびメモリ効率の良い深い完全分合いのモデルであるMindGrabを開発しました。
拡張された畳み込みのスペクトル解釈によって通知されるそのアーキテクチャは、モダリティに依存しない合成データのみで訓練されました。
MindGrabは、SynthStripデータセットから調達した606マルチモーダル成人脳スキャン（T1、T2、DWI、MRA、PDW MRI、EPI、CT、PET）の回顧的データセットで評価されました。
Wilcoxonはランクの有意性テストで署名されたSynthStrip、Robex、およびBETに対して、Diceスコアを使用してベットに対してベンチマークされました。
MindGrabは、モダリティ全体で標準偏差（SD）1.6で95.9の平均DICEスコアを達成し、古典的な方法を大幅に上回る（Robex：89.1 SD 7.7、P <0.05; BET：85.2 SD 14.4、p <0.05）。 SynthStrip（96.5 SD 1.1、P = 0.0352）と比較して、MindGrabは、テストされたシナリオのほぼ半分で同等または優れたパフォーマンスを提供し、他のシナリオのわずかな違い（3％のサイコロ）がありました。 MindGrabは、SynthStripよりも95％少ないパラメーター（146,237対2,566,561）を利用しました。 この効率により、GPUでの少なくとも2倍の推論、50％のメモリ使用量が50％低くなり、ハイエンドGPUのないシステムを含む、より広い範囲のハードウェアで優れたパフォーマンス（最大30倍のスピードアップ、最大30倍のメモリ削減）とアクセシビリティを可能にしました。 MindGrabは、BrainChop-Cli（https://pypi.org/project/brainchop/）およびbrainchop.orgでサポートされている、劇的に低いリソース需要を備えた最先端の精度を提供します。

要約(オリジナル)

We developed MindGrab, a parameter- and memory-efficient deep fully-convolutional model for volumetric skull-stripping in head images of any modality. Its architecture, informed by a spectral interpretation of dilated convolutions, was trained exclusively on modality-agnostic synthetic data. MindGrab was evaluated on a retrospective dataset of 606 multimodal adult-brain scans (T1, T2, DWI, MRA, PDw MRI, EPI, CT, PET) sourced from the SynthStrip dataset. Performance was benchmarked against SynthStrip, ROBEX, and BET using Dice scores, with Wilcoxon signed-rank significance tests. MindGrab achieved a mean Dice score of 95.9 with standard deviation (SD) 1.6 across modalities, significantly outperforming classical methods (ROBEX: 89.1 SD 7.7, P < 0.05; BET: 85.2 SD 14.4, P < 0.05). Compared to SynthStrip (96.5 SD 1.1, P=0.0352), MindGrab delivered equivalent or superior performance in nearly half of the tested scenarios, with minor differences (<3% Dice) in the others. MindGrab utilized 95% fewer parameters (146,237 vs. 2,566,561) than SynthStrip. This efficiency yielded at least 2x faster inference, 50% lower memory usage on GPUs, and enabled exceptional performance (e.g., 10-30x speedup, and up to 30x memory reduction) and accessibility on a wider range of hardware, including systems without high-end GPUs. MindGrab delivers state-of-the-art accuracy with dramatically lower resource demands, supported in brainchop-cli (https://pypi.org/project/brainchop/) and at brainchop.org.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google