SynthSeg: Segmentación de escáneres de resonancia magnética del cerebro de cualquier contraste y resolución sin reentrenamiento

A pesar de los avances en la augmentación de datos y el aprendizaje por transferencia, las redes neuronales convolucionales (CNN) tienen dificultades para generalizar a dominios no vistos. Al segmentar escáneres cerebrales, las CNN son altamente sensibles a cambios en la resolución y el contraste: incluso dentro de la misma modalidad de resonancia magnética, el rendimiento puede disminuir entre conjuntos de datos. Aquí presentamos SynthSeg, la primera CNN de segmentación robusta frente a cambios en el contraste y la resolución. SynthSeg se entrena con datos sintéticos muestreados de un modelo generativo condicionado a segmentaciones. Crucialmente, adoptamos una estrategia de aleatorización de dominio donde aleatorizamos completamente el contraste y la resolución de los datos de entrenamiento sintéticos. En consecuencia, SynthSeg puede segmentar escáneres reales de una amplia gama de dominios objetivo sin reentrenamiento ni ajuste fino, lo que permite un análisis sencillo de enormes cantidades de datos clínicos heterogéneos. Debido a que SynthSeg solo requiere segmentaciones para su entrenamiento (sin imágenes), puede aprender de etiquetas obtenidas por métodos automatizados en poblaciones diversas (por ejemplo, envejecimiento y enfermedades), logrando así robustez ante una amplia variedad de variabilidad morfológica. Demostramos SynthSeg en 5,000 escáneres de seis modalidades (incluida la TC) y diez resoluciones, donde exhibe una generalización sin precedentes en comparación con CNN supervisadas, adaptación de dominio de última generación y segmentación bayesiana. Finalmente, demostramos la capacidad de generalización de SynthSeg aplicándolo a escáneres de MRI y TC cardíacos.