Ein Lernstrategie für kontrastunabhängige MRI-Segmentation

Wir präsentieren eine Deep-Learning-Strategie, die erstmals eine kontrastunabhängige semantische Segmentierung vollständig unverarbeiteter Gehirn-MRT-Aufnahmen ermöglicht, ohne dass zusätzliche Trainings- oder Feinabstimmungsphasen für neue Modaltitäten erforderlich sind. Klassische bayessche Methoden lösen dieses Segmentierungsproblem mit unsupervisierten Intensitätsmodellen, erfordern jedoch erhebliche Rechenressourcen. Im Gegensatz dazu sind lernbasierte Ansätze bei der Testphase schnell, sind jedoch empfindlich gegenüber den am Trainingszeitpunkt verfügbaren Daten. Unser vorgeschlagener Ansatz, SynthSeg, nutzt eine Menge von Trainingssegmentierungen (keine Intensitätsbilder erforderlich) aus, um während des Trainings dynamisch synthetische Bildbeispiele mit stark variierenden Kontrasten zu generieren. Diese Beispiele werden mithilfe des generativen Modells des klassischen bayesschen Segmentierungsrahmens erzeugt, wobei die Parameter für Erscheinungsbild, Deformation, Rauschen und Biasfeld zufällig ausgewählt werden. Da jeder Mini-Batch einen anderen synthetischen Kontrast aufweist, ist das finale Netzwerk nicht an einen bestimmten MRT-Kontrast gebunden. Wir evaluieren unseren Ansatz umfassend an vier Datensätzen mit über 1.000 Probanden und vier Arten von MR-Kontrasten. Die Ergebnisse zeigen, dass unsere Methode jeden Kontrast in den Daten erfolgreich segmentiert, dabei leicht besser abschneidet als klassische bayessche Segmentierung und dreieinhalb Größenordnungen schneller ist. Darüber hinaus generalisiert unsere Strategie innerhalb derselben MRT-Kontrastart signifikant besser über verschiedene Datensätze hinweg im Vergleich zu Trainingsmodellen, die auf realen Bildern basieren. Schließlich stellen wir fest, dass die Synthese einer breiten Palette von Kontrasten – selbst wenn diese unrealistisch erscheinen – die Generalisierungsfähigkeit des neuronalen Netzwerks erhöht. Unser Code und das Modell sind unter https://github.com/BBillot/SynthSeg als Open Source verfügbar.