FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain

要約

臨床現場で使用される医用画像は不均一であり、学術研究で研究されているスキャンと同じ品質ではありません。
解剖学、アーティファクト、またはイメージング パラメータが異常であるか、プロトコルが異なる極端な場合、前処理は失敗します。
これらの変動に対してロバストな方法が最も必要とされています。
人間の脳を 132 の領域に高速かつ正確にセグメンテーションするための新しい深層学習手法が提案されています。
提案されたモデルは、効率的な U-Net のようなネットワークを使用し、エンド ツー エンドのトレーニング中に直交 2D 平面と脳ラベルを融合するために、さまざまなビューと階層関係の交差点から恩恵を受けます。
部分的にラベル付けされたデータを活用して、脳全体のセグメンテーションと頭蓋内容積 (ICV) の推定を行うために、弱い教師あり学習が展開されます。
さらに、データ オーグメンテーションを使用して、データのプライバシーを維持しながらモデルの堅牢なトレーニングを行うための変動性の高い現実的な脳スキャンを生成することにより、磁気共鳴画像 (MRI) データを拡張します。
提案された方法は、画像の前処理やパフォーマンスの低下なしに、頭蓋骨やその他のアーティファクトを含む脳の MRI データに適用できます。
さまざまなアトラスを使用したいくつかの実験が実施され、最新技術と比較してトレーニング済みモデルのセグメンテーション パフォーマンスが評価され、結果は、さまざまなイントラおよび
ドメイン間データセット。

要約(オリジナル)

Medical images used in clinical practice are heterogeneous and not the same quality as scans studied in academic research. Preprocessing breaks down in extreme cases when anatomy, artifacts, or imaging parameters are unusual or protocols are different. Methods robust to these variations are most needed. A novel deep learning method is proposed for fast and accurate segmentation of the human brain into 132 regions. The proposed model uses an efficient U-Net-like network and benefits from the intersection points of different views and hierarchical relations for the fusion of the orthogonal 2D planes and brain labels during the end-to-end training. Weakly supervised learning is deployed to take the advantage of partially labeled data for the whole brain segmentation and estimation of the intracranial volume (ICV). Moreover, data augmentation is used to expand the magnetic resonance imaging (MRI) data by generating realistic brain scans with high variability for robust training of the model while preserving data privacy. The proposed method can be applied to brain MRI data including skull or any other artifacts without preprocessing the images or a drop in performance. Several experiments using different atlases are conducted to evaluate the segmentation performance of the trained model compared to the state-of-the-art, and the results show higher segmentation accuracy and robustness of the proposed model compared to the existing methods across different intra- and inter-domain datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google