Longitudinal detection of new MS lesions using Deep Learning

要約

新しい多発性硬化症（MS）病変の検出は、病気の進展の重要なマーカーです。
学習ベースの方法の適用性は、このタスクを効率的に自動化することができます。
ただし、新たに出現する病変を含む注釈付きの縦断的データの欠如は、堅牢で一般化されたモデルのトレーニングの制限要因です。
この作業では、新しいMS病変を検出してセグメント化するという困難なタスクに対処するディープラーニングベースのパイプラインについて説明します。
まず、単一の時点を使用してセグメンテーションタスクでトレーニングされたモデルからの転移学習を使用することを提案します。
したがって、より簡単なタスクからの知識を活用し、より多くの注釈付きデータセットを利用できます。
第二に、単一の時点のスキャンを使用して、新しい病変を伴う現実的な縦方向の時点を生成するためのデータ合成戦略を提案します。
このようにして、大規模な合成注釈付きデータセットで検出モデルを事前トレーニングします。
最後に、MRIでデータの多様性をシミュレートするように設計されたデータ拡張技術を使用します。
そうすることで、利用可能な小さな注釈付き縦断データセットのサイズを増やします。
私たちのアブレーション研究は、それぞれの貢献がセグメンテーションの精度の向上につながることを示しました。
提案されたパイプラインを使用して、MSSEG2MICCAIチャレンジでのセグメンテーションと新しいMS病変の検出で最高のスコアを取得しました。

要約(オリジナル)

The detection of new multiple sclerosis (MS) lesions is an important marker of the evolution of the disease. The applicability of learning-based methods could automate this task efficiently. However, the lack of annotated longitudinal data with new-appearing lesions is a limiting factor for the training of robust and generalizing models. In this work, we describe a deep-learning-based pipeline addressing the challenging task of detecting and segmenting new MS lesions. First, we propose to use transfer-learning from a model trained on a segmentation task using single time-points. Therefore, we exploit knowledge from an easier task and for which more annotated datasets are available. Second, we propose a data synthesis strategy to generate realistic longitudinal time-points with new lesions using single time-point scans. In this way, we pretrain our detection model on large synthetic annotated datasets. Finally, we use a data-augmentation technique designed to simulate data diversity in MRI. By doing that, we increase the size of the available small annotated longitudinal datasets. Our ablation study showed that each contribution lead to an enhancement of the segmentation accuracy. Using the proposed pipeline, we obtained the best score for the segmentation and the detection of new MS lesions in the MSSEG2 MICCAI challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google