[論文レビュー] A Combined Deep-Learning and Deformable-Model Approach to Fully Automatic Segmentation of the Left Ventricle in Cardiac MRI

M. R. Avendi, Arash Kheradvar+1 more|arXiv (Cornell University)|Dec 25, 2015

Medical Image Segmentation Techniques参考文献 42被引用数 4

ひとこと要約

本論文は、ハイブリッドディープラーニングと可変モデルアプローチを用いて、心筋マヒレジリス画像における完全自動左室（LV）セグメンテーション手法を提示する。畳み込みニューラルネットワークを用いてLVの検出を行い、スタックドオートエンコーダーを用いて形状推定を行う。これらの手法を可変モデルに統合することで、精度と耐障害性が向上し、MICCAI 2009データセットでDiceスコア0.94および96.69%の良好な輪郭を達成した。これは、最先端の手法を上回る結果である。

ABSTRACT

Segmentation of the left ventricle (LV) from cardiac magnetic resonance imaging (MRI) datasets is an essential step for calculation of clinical indices such as ventricular volume and ejection fraction. In this work, we employ deep learning algorithms combined with deformable models to develop and evaluate a fully automatic segmentation tool for the LV from short-axis cardiac MRI datasets. The method employs deep learning algorithms to learn the segmentation task from the ground true data. Convolutional networks are employed to automatically detect the LV chamber in MRI dataset. Stacked autoencoders are utilized to infer the shape of the LV. The inferred shape is incorporated into deformable models to improve the accuracy and robustness of the segmentation. We validated our method using 45 cardiac MR datasets taken from the MICCAI 2009 LV segmentation challenge and showed that it outperforms the state-of-the art methods. Excellent agreement with the ground truth was achieved. Validation metrics, percentage of good contours, Dice metric, average perpendicular distance and conformity, were computed as 96.69%, 0.94, 1.81mm and 0.86, versus those of 79.2%-95.62%, 0.87-0.9, 1.76-2.97mm and 0.67-0.78, obtained by other methods, respectively.

研究の動機と目的

• 手動による介入なしに、完全自動的かつ耐障害性・高精度な心筋マヒレジリス画像における左室セグメンテーション手法の開発。
• 従来の可変モデルとディープラーニング手法の限界を克服するため、両者の長所を統合すること。
• 強度不均一性や部分体積効果が顕著な、ベースおよびアピカルスライスのような困難な領域におけるセグメンテーション精度の向上。
• スタックドオートエンコーダーを用いて学習された形状事前分布を統合することで、大規模かつ多様なトレーニングデータセットへの依存度を低減すること。
• 公開ベンチマークデータセット上で手法を検証し、既存の最先端手法と比較して優れた性能を示すこと。

提案手法

• 2段階のディープラーニングパイプラインを採用：まず、畳み込みニューラルネットワーク（CNN）が短軸断層画像における左室腔を検出する。
• スタックドオートエンコーダーは、入力MRIから左室のグローバル形状を推定し、心室形態のコンactかつ階層的な表現を学習する。
• 推定された形状は、可変モデルの初期化に使用され、輪郭の滑らかさと画像忠実度を最適化することでセグメンテーションを精緻化する。
• 可変モデルはオートエンコーダーからの形状事前分布を統合し、特に低コントラストまたはノイズの強い領域でも収束性と耐障害性を向上させる。
• 本手法は、MICCAI 2009 LVセグメンテーションチャレンジから得た45例の心筋マヒレジリスMRIデータセットを用いてトレーニングおよび検証し、過学習を軽減するためのデータ拡張を実施した。
• フレームワークはCPUプラットフォーム上で実装されており、1スライスあたり0.5秒未満のセグメンテーション時間であり、将来的なGPU加速を想定した設計である。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドディープラーニングと可変モデルの統合アプローチは、単独のディープラーニングまたは可変モデルと比較して、優れたセグメンテーション精度を達成できるか？
• RQ2 スタックドオートエンコーダーは、限られたトレーニングデータから左室形状事前分布をどれほど効果的に学習・一般化できるか？
• RQ3 ディープラーニングで得たオートエンコーダーからの形状初期化は、困難なアピカルおよびベーススライスにおける耐障害性をどの程度向上させるか？
• RQ4 学習された形状事前分布の統合により、心筋マヒレジリス画像における強度不均一性やノイズへの感受性はどの程度低減できるか？
• RQ5 標準化されたベンチマーク上で、本手法は定量的に既存の最先端手法と比較してどのように優れているか？

主な発見

• 本手法は、MICCAI 2009データセットで96.69%の良好な輪郭率を達成し、以前の手法（79.2%〜95.62%）を顕著に上回った。
• Dice類似係数は0.94に達し、正解との強い重複を示した。他の最先端手法の0.87〜0.90と比較して優れている。
• セグメンテーション結果と正解輪郭との平均垂直距離は1.81 mmであり、他の手法が報告した1.76〜2.97 mmの範囲を下回った。
• 適合性指標は0.86であり、正解輪郭と高い構造的一致性を示した。これに対して、他の手法の範囲は0.67〜0.78であった。
• 強度変動や部分体積効果が顕著な困難なベースおよびアピカルスライスにおいても、本手法は耐障害性の高い性能を示した。
• 1スライスあたりのセグメンテーション時間は0.5秒未満であり、時間の大部分は畳み込みニューラルネットワークと可変モデルの統合処理に費やされていた。