Learning to segment fetal brain tissue from noisy annotations

要約

胎児の脳組織の自動的なセグメンテーションは、この重要な段階での脳の発達の定量的な評価を強化することができます。ディープラーニング手法は、医療画像セグメンテーションの最先端技術を代表するものであり、脳のセグメンテーションにおいても素晴らしい成果を上げている。しかし、このタスクを実行するためにディープラーニングモデルを効果的に学習させるには、一過性の胎児脳構造の急速な発達を表現するために、大量の学習画像が必要である。一方、大量の3D画像を手動でマルチラベル・セグメンテーションすることは法外である。この課題を解決するため、我々は、変形レジストレーションと確率的アトラス融合に基づく自動マルチアトラスセグメンテーション戦略を用いて、妊娠19-39週をカバーする272枚のトレーニング画像をセグメント化し、それらのセグメント化における大きな誤差を手動で補正した。この過程でノイズの多いセグメンテーションを含む大規模な学習データセットが生成されたため、我々は新規のラベルスムージング手順と損失関数を開発し、ノイズの多いセグメンテーションを平滑化したディープラーニングモデルを学習させることに成功した。我々の提案する方法は、組織境界の不確実性を適切に考慮する。我々は、別セットの胎児の23枚の手動セグメンテーションされたテスト画像で我々の方法を評価した。その結果，我々の方法は，若い胎児と高齢の胎児の過渡的な構造について，それぞれ平均0.893と0.916のDice類似度係数を達成した．本手法は、本手法に最も近い結果を得たnnU-Netを含むいくつかの最先端手法よりも有意に高い精度の結果を生成した。我々の学習済みモデルは、MRIにおける胎児脳解析の精度と再現性を高めるための貴重なツールとなり得る。

要約(オリジナル)

Automatic fetal brain tissue segmentation can enhance the quantitative assessment of brain development at this critical stage. Deep learning methods represent the state of the art in medical image segmentation and have also achieved impressive results in brain segmentation. However, effective training of a deep learning model to perform this task requires a large number of training images to represent the rapid development of the transient fetal brain structures. On the other hand, manual multi-label segmentation of a large number of 3D images is prohibitive. To address this challenge, we segmented 272 training images, covering 19-39 gestational weeks, using an automatic multi-atlas segmentation strategy based on deformable registration and probabilistic atlas fusion, and manually corrected large errors in those segmentations. Since this process generated a large training dataset with noisy segmentations, we developed a novel label smoothing procedure and a loss function to train a deep learning model with smoothed noisy segmentations. Our proposed methods properly account for the uncertainty in tissue boundaries. We evaluated our method on 23 manually-segmented test images of a separate set of fetuses. Results show that our method achieves an average Dice similarity coefficient of 0.893 and 0.916 for the transient structures of younger and older fetuses, respectively. Our method generated results that were significantly more accurate than several state-of-the-art methods including nnU-Net that achieved the closest results to our method. Our trained model can serve as a valuable tool to enhance the accuracy and reproducibility of fetal brain analysis in MRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL