[論文レビュー] A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging

Zhaohan Xiong, Qing Xia+42 more|arXiv (Cornell University)|Apr 26, 2020

Advanced MRI Techniques and Applications参考文献 38被引用数 13

ひとこと要約

本論文は、世界最大のデータセットである154例の3次元LGE-MRIを用いて、27種類のアルゴリズムによる遅延ガドリニウム強化心筋MRI（LGE-MRI）の画像分離を大規模ベンチマーク化した。最良の手法はDiceスコア93.2%、平均表面間距離0.7 mmを達成し、最初に注目領域を局在化し、次に分離を精緻化する二段階のCNNパイプラインが、単一CNNアプローチを著しく上回ることを示した。

ABSTRACT

Segmentation of cardiac images, particularly late gadolinium-enhanced magnetic resonance imaging (LGE-MRI) widely used for visualizing diseased cardiac structures, is a crucial first step for clinical diagnosis and treatment. However, direct segmentation of LGE-MRIs is challenging due to its attenuated contrast. Since most clinical studies have relied on manual and labor-intensive approaches, automatic methods are of high interest, particularly optimized machine learning approaches. To address this, we organized the "2018 Left Atrium Segmentation Challenge" using 154 3D LGE-MRIs, currently the world's largest cardiac LGE-MRI dataset, and associated labels of the left atrium segmented by three medical experts, ultimately attracting the participation of 27 international teams. In this paper, extensive analysis of the submitted algorithms using technical and biological metrics was performed by undergoing subgroup analysis and conducting hyper-parameter analysis, offering an overall picture of the major design choices of convolutional neural networks (CNNs) and practical considerations for achieving state-of-the-art left atrium segmentation. Results show the top method achieved a dice score of 93.2% and a mean surface to a surface distance of 0.7 mm, significantly outperforming prior state-of-the-art. Particularly, our analysis demonstrated that double, sequentially used CNNs, in which a first CNN is used for automatic region-of-interest localization and a subsequent CNN is used for refined regional segmentation, achieved far superior results than traditional methods and pipelines containing single CNNs. This large-scale benchmarking study makes a significant step towards much-improved segmentation methods for cardiac LGE-MRIs, and will serve as an important benchmark for evaluating and comparing the future works in the field.

研究の動機と目的

• 遅延ガドリニウム強化心筋MRI（LGE-MRI）における自動左房分離のためのグローバルベンチマークを確立すること。
• エキスパートが検証したラベルを備えた大規模で標準化されたデータセット上で、多様なディープラーニングアルゴリズムの性能を評価・比較すること。
• 低コントラストLGE-MRIにおけるCNNベースの分離に最適なアーキテクチャおよびハイパーパrameter選択を同定すること。
• 今後の心筋MRI分離研究のための包括的かつ再現可能な基準を提供すること。

提案手法

• 2018年左房分離コンテストを主催し、3名のエキスパートレントゲン放射線科医がラベルを付与した154例の3次元LGE-MRIスキャンを収集した。
• 二段階のCNNアーキテクチャを評価し、最初のネットワークが注目領域を局在化し、2番目のネットワークが精緻な分離を実行する。
• 技術的指標（Diceスコア、表面間距離）と生物学的妥当性の両面からアルゴリズムを評価した。
• ハイパーパrameterチューニングとサブグループ分析により、多様なモデル間で堅牢な設計パターンを同定した。
• 古典的および最先端のディープラーニングアーキテクチャを含み、標準化された評価プロトコルを採用した。
• 定量的指標と分離精度および解剖学的妥当性の定性的分析の両方を用いて性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 最先端のディープラーニングモデルは、低コントラストLGE-MRIスキャンにおける左房分離でどの程度の性能を示すか？
• RQ2 二段階CNNパイプラインは、単一CNNアーキテクチャと比較して、分離精度および耐障害性の面でどのように異なるか？
• RQ3 心筋MRI分離において最適な性能を発揮するアーキテクチャ的選択およびハイパーパrameter選択は何か？
• RQ4 モデル設計が分離結果の解剖学的妥当性および臨床的意義にどの程度影響を与えるか？
• RQ5 本研究で提案されたベンチマークは、今後の心筋MRI分離アルゴリズムの開発および比較をどの程度促進するか？

主な発見

• 最良のアルゴリズムはDiceスコア93.2%を達成し、以前の最先端手法を著しく上回った。
• 最良手法の平均表面間距離は0.7 mmであり、高い幾何的正確性を示した。
• 最初に注目領域を局在化し、次に精緻な分離を実行する二段階CNNパイプラインは、単一CNNアプローチに比べて優れた性能を示した。
• 本研究では、特に逐次的でマルチステージのネットワーク設計が、分離精度に顕著な影響を与えることが明らかになった。
• ハイパーパrameter分析から、学習率、ネットワークの深さ、損失関数の慎重なチューニングが、モデルの汎化性能を著しく向上させることを示した。
• ベンチマーク用データセットと評価フレームワークは、今後の心筋LGE-MRI分離研究における標準的基準となった。