[論文レビュー] Accuracy, Uncertainty, and Adaptability of Automatic Myocardial ASL Segmentation using Deep CNN

P Hung, Yi Guo+2 more|arXiv (Cornell University)|Dec 10, 2018

Advanced MRI Techniques and Applications参考文献 40被引用数 4

ひとこと要約

本研究では、心筋の動脈移行標識（ASL）灌注MRIの自動セグメンテーションを目的とした、深層畳み込みニューラルネットワーク（U-Netにモンテカルロドロップアウトを組み合わせたもの）を提案する。この手法は高い精度（Diceスコア：0.91±0.04）を達成し、学習可能なβを有するTversky損失を用いることで、誤検出と誤検出の間の適応的トレードオフ制御と不確実性推定を可能にした。心筋血流の定量的評価において、手動セグメンテーションと高い相関（R² = 0.96）を示した。

ABSTRACT

PURPOSE: To apply deep CNN to the segmentation task in myocardial arterial spin labeled (ASL) perfusion imaging and to develop methods that measure uncertainty and that adapt the CNN model to a specific false positive vs. false negative tradeoff. METHODS: The Monte Carlo dropout (MCD) U-Net was trained on data from 22 subjects and tested on data from 6 heart transplant recipients. Manual segmentation and regional myocardial blood flow (MBF) were available for comparison. We consider two global uncertainty measures, named Dice Uncertainty and MCD Uncertainty, which were calculated with and without the use of manual segmentation, respectively. Tversky loss function with a hyperparameter $β$ was used to adapt the model to a specific false positive vs. false negative tradeoff. RESULTS: The MCD U-Net achieved Dice coefficient of mean(std) = 0.91(0.04) on the test set. MBF measured using automatic segmentations was highly correlated to that measured using the manual segmentation ($R^2$ = 0.96). Dice Uncertainty and MCD Uncertainty were in good agreement ($R^2$ = 0.64). As $β$ increased, the false positive rate systematically decreased and false negative rate systematically increased. CONCLUSION: We demonstrate the feasibility of deep CNN for automatic segmentation of myocardial ASL, with good accuracy. We also introduce two simple methods for assessing model uncertainty. Finally, we demonstrate the ability to adapt the CNN model to a specific false positive vs. false negative tradeoff. These findings are directly relevant to automatic segmentation in quantitative cardiac MRI and are broadly applicable to automatic segmentation problems in diagnostic imaging.

研究の動機と目的

• 動脈移行標識（ASL）灌流MRIにおける心筋組織の正確で自動化されたセグメンテーション手法の開発。
• 手動アノテーションを必要としない深層学習ベースのセグメンテーションにおけるモデルの不確実性の定量。
• 臨床的セグメンテーションタスクにおける誤検出と誤検出の間の適応的トレードオフ制御の実現。
• 心臓移植受賞者を対象とした臨床コhortにおいて、手動セグメンテーションとMBF測定値を用いたグランドトゥースを用いた手法の妥当性検証。

提案手法

• 22例の被験者を用いて、MCDを組み込んだU-Netアーキテクチャを訓練し、ASL MRIにおける自動心筋セグメンテーションを実行した。
• 2つの不確実性指標を導入した：手動セグメンテーションを基準として用いるDice不確実性と、手動ラベルに依存しないMCD不確実性。
• 誤検出と誤検出の誤差のバランスを制御するため、学習可能なハイパーパrameter βを有するTversky損失関数を用いた。
• 6例の独立した心臓移植受賞者を用いてモデルをテストし、手動セグメンテーションと領域的心筋血流（MBF）測定値を用いて検証を行った。
• Dice不確実性とMCD不確実性の一致度を評価したところ、R² = 0.64の相関が得られた。
• βの影響が、誤検出率と誤検出率の変動に与える影響を体系的に分析した。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロドロップアウトを備えた深層CNNは、不確実性計算に手動セグメンテーションを必要とせずに、心筋ASLセグメンテーションにおける信頼性の高い不確実性推定を提供できるか？
• RQ2 手動セグメンテーションが利用可能な状況で、モデルの不確実性はグランドトゥースとどの程度相関するか？
• RQ3 調整可能なβパラメータを有するTversky損失は、心筋セグメンテーションにおける誤検出と誤検出のトレードオフをどの程度効果的に制御できるか？
• RQ4 自動セグメンテーションは、手動セグメンテーションと比較して、定量的心筋血流（MBF）値をどの程度正確に保持できるか？
• RQ5 高精度と頑健な不確実性推定を維持しながら、未知の臨床データに効果的に一般化できるか？

主な発見

• MCD U-Netは、6例の心臓移植受賞者からなるテストセットにおいて、平均Dice係数0.91（標準偏差0.04）を達成した。
• 自動セグメンテーションから得られた心筋血流（MBF）値は、手動セグメンテーションとの間に非常に高い相関（R² = 0.96）を示した。
• Dice不確実性とMCD不確実性は中程度の有意な一致（R² = 0.64）を示し、MCD不確実性が手動ラベルに依存せずに不確実性の代替指標として信頼できることが示された。
• Tversky損失のハイパーパrameter βが増加するにつれ、誤検出率は体系的に低下し、誤検出率は上昇した。これは、効果的なトレードオフ制御が可能であることを示している。
• モデルは未知の臨床データに対しても高いセグメンテーション精度と信頼性の高い不確実性評価を維持するという、強力な一般化能力を示した。
• 不確実性推定と適応的損失最適化の統合により、定量的心エコーMRIにおける深層学習の臨床的応用性が向上した。