Infant FreeSurfer: An automated segmentation and surface extraction

pipeline for T1-weighted neuroimaging data of infants 0–2 years

• 논문
  infant Freesurfer (유아(0~2세) Freesurfer) : 0~2세 영아의 T1 신경 영상 데이터에 대한 segmentation pipeline

  • Keyword

    목적 : Segmentation : 세분화

    대상 : Infant : 0~2세의 유아

    도구명 : Freesurfer

    데이터 종류 : MRI : MRI 이미지 (nifti)

    데이터 세부사항 : Brain surface : 뇌 표면
    

  • 논문 출간 이유 및 간단 요약

    유아의 뇌에 대한 형태 측정 분석을 위한 자동화 도구(freesurfer)의 개발은 성인대상의 자동화 segment 툴보다 상당히 뒤떨어져있음. 
    
    이 논문은 뇌 신경 장애 유아를 대상으로 훌륭한 자동화 도구를 소개하는 논문이다. 
    
    또한 이 논문은 0~2세 유아 뇌에 대한 임상 MRI 연구를 토대로 설계된 자동화된 surface segmentation pipe line을 제시하고 있음.

    • 이 논문에서 소개하는 알고리즘은 T1 강조 MRI 의 단일 채널 이미지에 의존해 피질 및 피질 하부 뇌 영역의 자동 분할(Automated segment)을 달성해 대뇌 피질의 표면 모델 볼륨을 생선한다. 수동으로 레이블이 지정된 데이터 셋을 평가해 정확히 이 알고리즘이 유아들을 대상으로 정확한 segment 가 가능한지에 대해 확인하면서 마무리하는 논문이다.
      

    • 소개

      현재 신경과학계와 병원에서 출생 후 (0~2)개월된 영아의 자동으로 이미지를 segmentaion 해주는 기술은 많은 관심을 가지고 있다. → 이러한 기술이 거의 전무함..

      0~2세의 영아는 보통 이 시기에 뇌의 크기 모양뿐만 아니라 수초화가 가장 빠르게 변화하는 시기이기이다. → 많은 변화가 있고, 성인처럼 뇌가 제대로 구조 형성이 덜 되어있기에 seg하기 어렵다.

      • 알아두기) freesurfer란?

        freesurfer는 뇌 MRI 이미지 처리를 위한 기술로 원래라면 성인을 대상으로 하는 MRI를 처리할 수 있는 기술이다. 하지만 4,5세 정도의 어린 아이들에게도 성공적으로 사용된 사례가 있다. 그러나 3세 이하의 아이들에게 사용된 적이 거의 없다.

        영아는 또한 성인으로 성장하기 전에 0~2세떄의 수초화 문제로 인해서 여러 후유증을 나타낸다. 이러한 경향은 freesurfer가 성인만을 대상으로 하는 것이 아닌 infant 대상으로 발전해야할 필요성을 제기하고, 다양한 연령대의 이미지를 통해 적응하는 도구를 만들기 위해 이 논문의 도구를 만들게 되었다.

      • 이 논문에서 segmentaion으로 만든 레이블 ID

        ![각 레이블 명에따라 label을 지정해주었다. ]

        각 레이블 명에따라 label을 지정해주었다.
        

      • 소아 영상 분석에 대한 기존 솔루션

        기존 소아 영상 분석을 위한 솔루션들은 필요한 정보를 인코딩하고 지원하는 세분화 도구와 분리해서 레이블을 보는 기술이 아직 부족하다. 또한 영아를 대상으로 하기 떄문에 MRI 측정시 과도한 움직임과, 작은 신체로 인해 해부학적 구조를 보기가 더욱 어렵다. 이는 복셸 해상도에 비례하다.즉, 뇌의 구조가 제대로 형성안되어있기 때문에 확실한 구분이 안되서 segment하기 어렵다. 그렇기에 대부분의 기존 솔루션은 이전의 연구된 정보를 활용(기존 성인 데이터셋(DHCP))해서 segment 이미지를 추출하고 있다.
        

      • 논문에서 사용되는 데이터 세트 : atlas 라고 불림 : MRI volume + 수동적으로 라벨링 작업한 데이터

        segmentation과 관련해 기존 유아 교육 데이터 세트 기술의 특성과 성능을 직접 비교하는 것은 어렵다. 왜냐하면 각 기술 모델별로 사용하는 훈련 데이터 셋도 다를 것이며, 훈련대상의 특성, intensity avg, 조직 확률 맵 등 여러 목적이 다르기 떄문이다. 이 논문에서는 전체 뇌를 segment 하는 솔루션을 보여주고 있다.

        ![이 논문에서 사용되는 훈련 데이터 셋에 대한 나이(개월수로 구분) 분포표 빨간색은 수동 라벨(의사가 직접 라벨링한 작업) 파랑색은 infant freesurfer 자동으로 segment 해줄 대상들]

        이 논문에서 사용되는 훈련 데이터 셋에 대한 나이(개월수로 구분) 분포표
        빨간색은 수동 라벨(의사가 직접 라벨링한 작업)
        파랑색은 infant freesurfer 자동으로 segment 해줄 대상들

      • 1.1 개념 및 pipeline 소개

        표준 freesurfer pipeline * 빨간색 과정은 infant freesurfer에서 수정됨

        ![Untitled]

        • skull stripping(두개골 박리)과정 (infant freesurfer 이용)

          

          skull stripping 과정을 통해서 훈련 데이터셋에 대한 두개골을 박리시키고 뇌만 보일 수 있게 시각화한 사진
          

        • volumetric segmentation 과정 - GM/WM 분리한 데이터셋

          

          참고 : 5가지로 segment한 부분은 Freesurfer colortable과 똑같은 색깔을 가지고 있다.
          위 ↔ 아래 : 신생아/8개월/12개월/16개월/18개월
          왼 ↔ 오른쪽 : 정규화 및 skullstripped T1 input 이미지 / 수동 segment / 바깥라인 수동 segment / 자동 segment / 바깥쪽 자동 segment

          앞에 skull stripping한 T1 image를 가지고 와서 GW/WM로 구분하여 시각화함. 이때 5개의 부분을 나누어 segment하였음
          

        • volumetric segmentation 과정 - GM/WM 분리 하지않은 데이터셋

          

          GM/WM 분리가 되지 않은 데이터에 5가지 segment 방법
          위 ↔ 아래 : 2개월/3개월/5개월/6개월/9개월
          왼 ↔ 오른쪽 : 정규화 및 skullstripped T1 input 이미지 / 수동 segment / 바깥라인 수동 segment / 자동 segment / 바깥쪽 자동 segment
          

        • Genralized Dice overlap coefficient summary for all subjects and traing set size

          

          

          GW/HW을 구분한 것(파랑)과 구분안한 것(빨강)을 대상으로 나이에 따른 GDS측정

          • Dice score가 1에 가까워질 수록 두 영역이 비슷하다는 뜻 = dice loss가 0에 근접

            나이가 많을 수록 뇌의 변화가 크므로, dice score가 대부분 작음을 알 수 있다. 즉 비슷한 뇌가 아니라는 것을 알 수 있다. 또한 GMWM을 구분했을때 더욱 각각의 데이터셋이 다른 뇌라는 것을 알 수 있다.

          • 아래는 DIce coeeficeint 설명 https://minimin2.tistory.com/179
            

      • 1.2 Segmentation tools

        기존의 자동화 seg 툴들은 대부분 신생아를 분석하는 것으로 제한된다. 특히 다른 솔루션은 출생후 첫해 (0,3,6,9,12개월) 또는 2세의 개별 연령 지점을 기준으로 설계됨

        또한 미성숙한 brain에서 대뇌 조직 사이의 상대적으로 높은 contrast를 측정할때 기존 솔루션들은 신생아들에게 T2 MR Input이미지에 의존하거나, 일부 솔루션들은 단일 양식만 사용하고, 또는 다른 채널을 사용하기도 한다.

        하지만 이 논문에서는 단일 T1 가중치 볼륨을 수용하는 파이프라인을 통해 T1 강조 이미지 스캔을 하고 있다.

        • 이 논문에서는 T1-weighted MPRAGE scans 이 바람직하다고 얘기하고 있다. → 이를 우리가 PVS 정량평가(GDL 및 등등)를 통해 측정해볼 예정

          why?_ 실제로 2D T2 강조 MRI 이미지에는 높은 해상도를 가지고 있지만 contrast가 좋지 않아 영아의 피질 주름 두께 2.5~4mm를 확인하기에는 어렵기에 T1 가중 이미지를 사용하는 것임 .

        • MANTIS 분할 비교

          

          좌상단 : T2w 입력이미지 좌하단 : T2w MANTIS 분할사진
          우상단 : T1w 입력이미지  
          우하단 : 우리 솔루션을 통해 왼쪽/오른쪽 반구 레이블을 함께 그룹화해 segment한 결과

          더불어 다른 솔루션의 경우, 일부 segment 프레임워크들은 학습모델에 사용될 학습 데이터에 대해 2세 피험자용이 사용될 떄도 있지만, 성인 기반의 학습 데이터를 사용해 seg 이미지를 얻을떄도 있다. → seg 이미지에 대한 정확도가 떨어질 것이다.

      • 1.3 Surface extraction

        소수의 영아 이미지 처리 패키지를 사용해 피질 surface 모델을 생성했다. 저자는 성인 및 태아의 뇌를 위해 개발된 미지 후처리 도구를 사용해 3D로 표면을 segment 하고 재구성했다. 구체적으로 NEOCIVET을 변형해 미숙아 데이터에 적용하여 표면을 추출했다.

    • 결론 정리

      • 요약 이 논문에서는 0~2세 집단의 영유아의 뇌 MRI 데이터를 가지고 자동화된 segment framework와 pipeline을 제공하고 있다. 현재 기술에서는 출생 후 기간내 T1강조 MR 이미지를 일관되게 처리할 수 있는 알고리즘 과 파이프라인은 없으며 전체 뇌를 segment하고 surface 를 추출하는 솔루션은 없다. infant freesurfer pipeline은 모든 그리고, 특정 연령대에 대한 데이터를 학습시켜 사용할 수 있는 장점을 가지고 있다. 또한, segment image와 surface image를 만들기 위해 훈련 데이터와 가장 유사한 교육 데이터 셋을 하위집합으로 선택해 실험했고, 전체 기능이 대상 연령대(0~2세)에서 일관되게 성능이 나올 수 있음을 알 수 있었다. 또한 (GDL : Genral Dice Loss 평가에 따른) 정확도는 꽤 높은 수치가 나왔다. 또한 수동으로 분할한 데이터 셋에 연령에 따른 하위 그룹화가 모델 성능에 영향을 준다는 것을 알 수 있었다.
        
      • 발전가능성 이 논문에서의 파이프라인은 향후 특정 연령대의 freesurfer pipeline을 위한 플랫폼을 제공한다. T2w 샘플을 이용해 두개걸을 제거하기 위한 훈련 데이터 세트와 잠재적으로 신생아 모집단의 분활 정확도를 향상시키고dhcp와 같은 데이터 셋과 관련한 툴이 될 것, 더불어 변형가능한 데이터셋을 이용해 seg와 surface 추출하는 툴은 뇌분석 분야에 흥미로운 영향을 줄 것이다.