[論文レビュー] A Novel Deep Learning Based Approach for Left Ventricle Segmentation in Echocardiography: MFP-Unet

Shakiba Moradi, Mostafa Ghelich Oghli+6 more|arXiv (Cornell University)|Jun 25, 2019

Cardiac Valve Diseases and Treatments参考文献 59被引用数 156

ひとこと要約

本論文では、2次元心エコー画像における左室（LV）セグメンテーションを向上させるために、深さの等化とアップサンプリングを施した多段階デコーダー特徴マップの融合を用いた、MFP-Unetと呼ばれる新しいU-Netの変種を提案する。最終的な意味的セグメンテーションの前に、この手法により、デュースコア0.945、ハウスドルフ距離1.62、機能的パラメータにおいて良好な臨床的整合性を達成し、最先端の性能を発揮した。

ABSTRACT

Segmentation of the Left ventricle (LV) is a crucial step for quantitative measurements such as area, volume, and ejection fraction. However, the automatic LV segmentation in 2D echocardiographic images is a challenging task due to ill-defined borders, and operator dependence issues (insufficient reproducibility). U-net, which is a well-known architecture in medical image segmentation, addressed this problem through an encoder-decoder path. Despite outstanding overall performance, U-net ignores the contribution of all semantic strengths in the segmentation procedure. In the present study, we have proposed a novel architecture to tackle this drawback. Feature maps in all levels of the decoder path of U-net are concatenated, their depths are equalized, and up-sampled to a fixed dimension. This stack of feature maps would be the input of the semantic segmentation layer. The proposed network yielded state-of-the-art results when comparing with results from U-net, dilated U-net, and deeplabv3, using the same dataset. An average Dice Metric (DM) of 0.945, Hausdorff Distance (HD) of 1.62, Jaccard Coefficient (JC) of 0.97, and Mean Absolute Distance (MAD) of 1.32 are achieved. The correlation graph, bland-altman analysis, and box plot showed a great agreement between automatic and manually calculated volume, area, and length.

研究の動機と目的

• 心エコー画像の手動によるLVセグメンテーションにおける再現性の低さと観察者間差の問題に対処すること。
• U-Netの限界を改善するため、すべてのデコーダーレベルからの意味的強化を統合すること。
• コントラストが低く、スペッケルノイズが多く、境界が不明瞭な心エコー画像において、セグメンテーションの正確性を向上させる深層学習モデルを開発すること。
• 体積、射出分数、面積測定において、手動による輪郭指定と同等の臨床的に信頼できるセグメンテーション結果を達成すること。

提案手法

• 提案されたMFP-Unetアーキテクチャは、U-Netを拡張したもので、すべてのデコーダーレベルからの特徴マップを深さの等化およびアップサンプリングにより固定次元に統一した後、連結する。
• 受容 field を拡大するがパrameter数を増加させないために、拡張率2の畳み込みを用いて多スケール特徴ピラミッドを構築する。
• エッジコントラストの向上と特徴学習の改善を目的として、k=2のNiblackの局所しきい値処理を用いた前処理レイヤーを追加する。
• エンコーダーとデコーダーのパス間でスキップ接続を保持することで、空間解像度と勾配の流れを維持する。
• 最終的な意味的セグメンテーションレイヤーは、スタックされた多段階特徴マップを処理し、正確なLV境界予測を生成する。
• 手動による正解ラベルが付与された2次元4心腔ビューの心エコー画像データセットを用いて、教師あり学習によりネットワークをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 多段階デコーダー特徴の統合は、挑戦的な心エコー画像におけるLVセグメンテーション精度を向上させることができるか？
• RQ2 低拡張率の拡張畳み込みを組み込むことで、モデルの複雑さを増さずに特徴表現を向上させることができるか？
• RQ3 MFP-Unetは、U-Net、拡張U-Net、およびDeepLabv3と比較して、セグメンテーション指標および臨床的パrameterの一貫性において優れているか？
• RQ4 提案手法は、LV機能的パラメータ推定における観察者間差をどの程度低減するか？
• RQ5 比較的小さく多様なトレーニングデータセットでも、高い精度を達成できるか？

主な発見

• MFP-Unetはデュースコア0.945を達成し、手動セグメンテーションとの高い被りを示した。
• ハウスドルフ距離は1.62であり、境界の最大誤差が最小限であることを示した。
• ジャッカード係数は0.97に達し、セグメンテーションの一貫性が強いことを確認した。
• 平均絶対距離は1.32であり、境界位置の高精度な局在化を示した。
• Bland-Altmanおよび相関解析により、自動測定と手動測定の終舒期容積、終収縮期容積、および射出分数において、無視できるバイアスと強い一致が確認された。
• ボックスプロット解析により、MFP-Unetが射出分数推定において、四分位範囲が最も小さく、外れ値も最小限であることが確認された。