[論文レビュー] Anatomically-Informed Deep Learning on Contrast-Enhanced Cardiac MRI for Scar Segmentation and Clinical Feature Extraction

Haley G. Abramson, Dan M. Popescu+6 more|arXiv (Cornell University)|Oct 21, 2020

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本稿では、遅延ガドリニウム強調心筋MRI（LGE-CMR）における左室および瘢瘍/線維化部のセグメンテーションのための完全自動的で解剖学的知見に基づいた深層学習フレームワーク、ACSNetを提示する。合成的な「LGEに類似した」ショートセグメント画像を用いたデータ拡張と、3段階のU-Netベースのネットワークを組み合わせることで、専門家水準の精度（左室：96%のバランス精度、瘢瘍：75%）を達成し、観察者間ばらつきが最小限に抑えられた臨床的意義のある特徴抽出が可能となった。

ABSTRACT

Visualizing disease-induced scarring and fibrosis in the heart on cardiac magnetic resonance (CMR) imaging with contrast enhancement (LGE) is paramount in characterizing disease progression and quantifying pathophysiological substrates of arrhythmias. However, segmentation and scar/fibrosis identification from LGE-CMR is an intensive manual process prone to large inter-observer variability. Here, we present a novel fully-automated anatomically-informed deep learning solution for left ventricle (LV) and scar/fibrosis segmentation and clinical feature extraction from LGE-CMR. The technology involves three cascading convolutional neural networks that segment myocardium and scar/fibrosis from raw LGE-CMR images and constrain these segmentations within anatomical guidelines, thus facilitating seamless derivation of clinically-significant parameters. In addition to available LGE-CMR images, training used "LGE-like" synthetically enhanced cine scans. Results show excellent agreement with those of trained experts in terms of segmentation (balanced accuracy of $96\\%$ and $75\\%$ for LV and scar segmentation), clinical features ($2\\%$ difference in mean scar-to-LV wall volume fraction), and anatomical fidelity. Our segmentation technology is extendable to other computer vision medical applications and to problems requiring guidelines adherence of predicted outputs.

研究の動機と目的

• 手動によるLGE-CMR瘢瘍および心筋セグメンテーションの高コストかつ観察者間ばらつきの大きな問題を解消するため、プロセスの自動化を目的とする。
• 深層学習に解剖学的制約を組み込むことで、多様な画像撮影プロトコルおよび病態にわたるセグメンテーションのロバスト性を向上させることを目的とする。
• 心律不全リスク分類のための臨床的特徴（例：瘢瘍対左室壁体積比）を正確かつ再現可能に抽出できることを目的とする。
• LGE-CMRにおけるデータ不足を解消するため、ショートセグメントMRIに「LGEに類似した」強調を適用して合成データを生成し、学習に活用することを目的とする。
• 深層学習出力の解剖学的整合性を保証することで、血行動態的および線維化パラメータの信頼できる導出を可能とすることを目的とする。

提案手法

• 3段階のキャスケード型ネットワークアーキテクチャ：（1）左室（LV）セグメンテーション、（2）心筋セグメンテーション、（3）自己符号化器ベースの解剖学的事前知識学習。
• スタイル変換を用いて、エンドジアスタリック（ED）ショートセグメントMRIに合成的な「LGEに類似した」強調を適用し、実際のLGEスキャンを必要とせずに訓練データを拡張する。
• 左室および心筋セグメンテーションネットワークは、バランスの取れた交差エントロピーとTversky損失の重み付き組み合わせを用い、ピクセルレベルおよび画像レベルのセグメンテーション精度を最適化する。
• Tversky損失関数は、誤検出（偽陽性）を強くペナルティ付けるために、βパラメータ（左室：0.6、心筋：0.4）を組み込むことで境界精度を向上させる。
• 解剖学的制約は、真の心筋マスクを用いて訓練された自己符号化器により実現され、解剖学的妥当性をエンコードする低次元の潜在空間（d=16、p=6）を学習する。
• 後処理として、3×3の楕円形カーネルを用いた形態的エロージョンと、小規模な偽陽性を除去するコンポーネントフィルタリングを実施し、その後FWHMしきい値処理を実施して凝集した核心瘢瘍部を分離する。

実験結果

リサーチクエスチョン

• RQ1 完全自動の深層学習フレームワークは、手動による介入なしに、LGE-CMRにおける左室および瘢瘍セグメンテーションで専門家水準の精度を達成できるか？
• RQ2 ショートセグメントMRIに合成的な「LGEに類似した」強調を組み込むことで、多様な画像撮影プロトコルおよび病態にわたる一般化性能が向上するか？
• RQ3 自己符号化器を用いてエンコードされた解剖学的事前知識が、深層学習出力のセグメンテーション整合性を向上させ、解剖学的外れ値を低減できるか？
• RQ4 専門家による読影と比較して、本手法は瘢瘍対左室壁体積比といった臨床的意義のある特徴をどの程度正確に保持しているか？
• RQ5 本モデルは、心臓の各領域（心尖部、中間部、基底部）において、セグメンテーションの一貫性および正確性の観点でどの程度の性能を示すか？

主な発見

• 本手法は、左室セグメンテーションで96%のバランス精度、瘢瘍／線維化部セグメンテーションで75%のバランス精度を達成し、専門家によるアノテーションと強い一致を示した。
• ACSNetによるセグメンテーションから算出された瘢瘍対左室壁体積比は、専門家による値とわずかに2%の差にとどまり、高い臨床的意義を示した。
• 本モデルは、すべての心臓領域（心尖部、中間部、基底部）で一貫した性能を維持しており、平均値ベースの評価でよく見られる高精度外れ値問題を回避した。
• 合成的な「LGEに類似した」ショートセグメント画像の使用により、データ効率と一般化性能が顕著に向上し、特に実際のLGE-CMRデータセットが限られている状況で顕著であった。
• 形態的エロージョンとコンポーネントフィルタリングを用いた後処理により、偽陽性が低減され、セグメンテーションの整合性が向上したが、真正陽性の検出は損なわれなかった。
• 最終的なモデルは、NLLおよびAIC基準に基づき、再構成精度とモデルの複雑さのバランスを考慮し、潜在空間次元d=16、成分数p=6を選択した。