Conditional Spatiotemporal MRI Atlas of the Fetal Brain using Deep Learning

Abstract

Die fetale Magnetresonanztomographie (MRT) bietet durch die hohe strukturelle Auflösung tiefe Einblicke in die Gehirnentwicklung. Die Beurteilung einer altersgerechten Entwicklung wird jedoch durch mehrere Faktoren erschwert. Dazu zählen komplexe neurologische Prozesse, individuelle Schwankungen in den Entwicklungsstadien sowie technische Unterschiede zwischen MRT-Geräten und Scan-Protokollen, die die Bildqualität beeinflussen. Zusätzlich erschwert die ungenaue Bestimmung der Schwangerschaftswoche den Vergleich mit gleichaltrigen Föten. Mit der Einführung von Atlanten wurde ein Referenzsystem geschaffen. Durch Bildregistrierung wird eine Korrespondenz zwischen den neurotypischen Atlanten mit einem individuellen Föten hergestellt, das einen objektiven Vergleich sowohl innerhalb eines Individuums als auch zwischen verschiedenen Subjekten ermöglicht. In dieser Arbeit haben wir einen Datensatz mit neurotypischen fetalen Gehirnen von 308 Probanden im Gestationsalter von 21 bis 37 Wochen erstellt. Auf Basis dieses Datensatzes wurde zwei deep-learning Modelle entwickelt und implementiert, die Veränderungen abhängig von Attributen modellieren. CAL-REG umfasst ein CNN-basiertes Registrierungsmodell, das maximale Korrespondenz unter Einhaltung anatomischer Einschränkungen erzielt. CAL-GAN erweitert CAL-REG um einen Discriminator, der durch den direkten Vergleich zwischen generierten und echten Bildern, altersspezifische, scharfe Atlanten erzeugt, mit anatomisch realistischen Grenzen und Formvariationen. Beide Ansätze ermöglichen eine, zu den Atlasbildern zugehörige, robuste Segmentierung von sechs Gehirnregionen in Echtzeit, mit einem Dice-Koeffizienten von 85.5%. Zusätzlich erlaubt die volumetrische Analyse die Darstellung neurotypischer Wachstumstrajektorien. Die vorgeschlagene Methode ermöglicht die Generierung altersspezifischer, neurotypischer, fetaler Gehirne. Es erzielt eine Segmentierungsgenauigkeit, die mit konventionellen Verfahren vergleichbar ist, bietet dabei jedoch eine schnellere Verarbeitungsgeschwindigkeit. Darüber hinaus ist das Framework erweiterbar, beispielsweise für die individualisierte entwicklungsdiagnostische Beurteilung durch den direkten Vergleich zum Normkollektiv oder der Integration von anderen Modalitäten wie der Ultraschallbildgebung.

Magnetic resonance imaging (MRI) of the fetal brain has emerged as an increasingly valuable tool for in-vivo assessment of brain development and maturation. However, assessing neurodevelopmental changes remains challenging, mainly due to inter-individual variability in brain development, different scanner and imaging protocols, and intensity inhomogeneities. Additionally, the uncertainty in determining gestational age further complicates the evaluation process, requiring profound expertise. To address these limitations, brain atlases provide a standardized reference system, enabling mapping between subjects, thus enable assessment and improved intra- and intersubject comparability. Here, we propose a continuous conditional atlas learning framework that enables both structural representation of the fetal brain and fast segmentation of new cases. Two generative deep learning models are introduced: CAL-REG, which uses a U-Net-based CNN in a direct registration approach to generate sharp, age-specific atlases, and CAL-GAN incorporating a discriminator to refine anatomical realism. The models are trained on our curated fetal brain dataset from the General Hospital of Vienna, encompassing 308 neurotypical subjects between 21 and 37 weeks of gestation. Our results demonstrate that the proposed method can generate age-specific atlases with sharp structural boundaries and realistic shape variance. In addition, the proposed approach allows robust, real-time segmentation of previously unknown subjects. Hereby, achieving a high overall Dice similarity coefficient of 85.5% across six selected tissue labels. Finally, we demonstrate how volumetric analysis of these atlases elucidates neurotypical growth trajectories, offering insights into fetal brain development. The deep learning framework proposed enables real-time, age-specific fetal brain template generation with minimal preprocessing, allowing for individualized developmental assessment. It achieves segmentation accuracy comparable to conventional approaches while operating significantly faster. Additionally, the framework allows further extensions, such as applications to specific diseases and integration with other imaging modalities such as ultrasound, expanding its potential for research and clinical use.