MosaicMRI: 多様なデータセットと、生の筋骨格MRIのためのベンチマーク

Abstract

深層学習は、再構成、アーチファクト除去、セグメンテーションなど、MRIの幅広い応用を支えています。しかし、これまでの進展は主に、脳や膝の画像に焦点を当てた公開データセットによって牽引されてきました。その結果、モデルの学習や評価のあり方が形作られています。したがって、多様な解剖学的状況におけるこれらのモデルの信頼性について、注意深い検証は依然として限られています。本研究では、機械学習ベースの手法のトレーニングおよび評価のために設計された、大規模かつ多様な、完全サンプリング済みの生（raw）筋骨格（MSK）MR計測のコレクションであるMosaicMRIを提案します。MosaicMRIは、これまでで最大のオープンソースの生MSK MRIデータセットであり、2,671ボリュームと80,156枚のスライスで構成されています。本データセットは、ボリュームの向き（例：軸位、矢状位）、画像コントラスト（例：PD、T1、T2）、解剖（例：脊椎、膝、股関節、足首、その他）、および撮像コイル数において大きな多様性を提供します。加速再構成課題のベースラインとしてVarNetを用い、モデルの容量とデータセットサイズの両方に関するスケーリング挙動を調べるための包括的な一連の実験を行います。興味深いことに、複数の解剖を統合して学習したモデルは、低サンプル領域において解剖特化型モデルを大きく上回り、解剖学的多様性の利点と、活用可能な解剖間相関の存在が示されます。さらに、ある解剖（例：脊椎）で学習し、別の解剖（例：膝）でテストすることにより、頑健性および解剖間の汎化を評価します。特筆すべき点として、互いによく汎化する身体部位のグループ（例：足部と肘部）を特定し、ドメインシフト下での性能は、学習セットサイズだけでなく、解剖、およびプロトコル固有の要因の両方に依存することを示します。