[論文レビュー] AtrialGeneral: Domain Generalization for Left Atrial Segmentation of Multi-Center LGE MRIs

Lei Li, Veronika A. Zimmer+2 more|arXiv (Cornell University)|Jun 16, 2021

Cardiac Valve Diseases and Treatments参考文献 17被引用数 4

ひとこと要約

本稿では、マルチセンターラテントガドリニウム強化MRI（LGE-MRI）における左房（LA）セグメンテーションのためのドメイン一般化フレームワーク、AtrialGeneralを提案する。スキャナーや施設間でのドメインシフトに起因する性能低下を解消することを目的としている。3つのドメイン一般化戦略—ヒストグラムマッチング、相互情報に基づく分離表現、ランダムスタイル転送—を評価した結果、単純なヒストグラムマッチングが最も優れた性能を示し、未学習ドメインでのDiceスコアを0.678から0.772に向上させた。

ABSTRACT

Left atrial (LA) segmentation from late gadolinium enhanced magnetic resonance imaging (LGE MRI) is a crucial step needed for planning the treatment of atrial fibrillation. However, automatic LA segmentation from LGE MRI is still challenging, due to the poor image quality, high variability in LA shapes, and unclear LA boundary. Though deep learning-based methods can provide promising LA segmentation results, they often generalize poorly to unseen domains, such as data from different scanners and/or sites. In this work, we collect 210 LGE MRIs from different centers with different levels of image quality. To evaluate the domain generalization ability of models on the LA segmentation task, we employ four commonly used semantic segmentation networks for the LA segmentation from multi-center LGE MRIs. Besides, we investigate three domain generalization strategies, i.e., histogram matching, mutual information based disentangled representation, and random style transfer, where a simple histogram matching is proved to be most effective.

研究の動機と目的

• マルチセンターラテントガドリニウム強化MRIにおける左房セグメンテーションのためのディープラーニングモデルのドメイン一般化性能を評価すること。
• 異なるスキャナーや画像センター間でのドメインシフトに起因する性能低下を、ドメイン一般化戦略が軽減できるかどうかを調査すること。
• ヒストグラムマッチング、相互情報に基づく分離表現、ランダムスタイル転送の3つのドメイン一般化技術の有効性を、LGE-MRIにおけるLAセグメンテーションにおいて比較すること。
• 前焼却および後焼却LGE-MRIスキャンにおけるセグメンテーション性能の差を分析すること。
• マルチセンターラテントガドリニウム強化MRIアプリケーションにおける臨床的導入に最も適した効果的で実用的なドメイン一般化手法を同定すること。

提案手法

• 本研究では、4つの標準的なU-Netベースのセグメンテーションモデル（U-Net、U-Net++、DeepLab v3+、MAnet）を用い、マルチセンターラテントガドリニウム強化MRIデータで訓練した。
• ドメイン一般化は、3つの戦略（ヒストグラムマッチング（HM）、相互情報に基づく分離表現（MID）、ランダムスタイル転送（RST））を用いてトレーニング段階で適用した。
• ヒストグラムマッチングは、ターゲットドメインの画像の強度分布をソースドメインに合わせることで、モデル再トレーニングなしにドメインシフトを軽減する。
• 相互情報に基づく分離表現は、コンテンツとドメイン固有の表現を分離することでドメイン不変特徴を学習することを目的としている。
• ランダムスタイル転送は、トレーニング中にソースドメインのスタイル統計をターゲット画像にランダムに転送することでデータオーグメンテーションを実施する。
• モデルの評価には、異なる施設およびスキャンタイプ（前焼却および後焼却）の未学習ドメインにおいて、Diceスコア、平均表面距離（ASD）、ハウスドルフ距離（HD）を用いた。

実験結果

リサーチクエスチョン

• RQ1 異なる施設およびスキャナからの未学習ドメインでテストした場合、標準的なディープラーニングセグメンテーションモデルは左房セグメンテーションにおいてどの程度の性能を示すか？
• RQ2 ヒストグラムマッチング、相互情報に基づく分離表現、ランダムスタイル転送のうち、どのドメイン一般化戦略がマルチセンターラテントガドリニウム強化MRIにおけるLAセグメンテーションで最高の一般化性能を達成するか？
• RQ3 前焼却および後焼却LGE-MRIスキャンの間で、LAセグメンテーションモデルの性能に顕著な差があるか？
• RQ4 ドメイン一般化戦略の使用により、多様な画像プロトコルおよびスキャナーメーカー間でのセグメンテーションのロバスト性が向上するか？
• RQ5 この臨床的設定において、より複雑なドメイン一般化手法に比べて単純なヒストグラムマッチングが優れた性能を示す理由は何か？

主な発見

• 4つのベースラインセグメンテーションモデル（U-Net、U-Net++、DeepLab v3+、MAnet）は、未学習ドメインで顕著な性能低下を示し、ドメイン一般化を適用した際のDiceスコアは約0.68から約0.77に上昇した。
• ヒストグラムマッチングは、未学習ドメインのテストセットで最高のDiceスコア0.772 ± 0.089を達成し、MID-Net（0.741 ± 0.064）およびRST-Net（0.756 ± 0.090）を有意に上回った。
• ヒストグラムマッチングは、ハウスドルフ距離をベースラインの42.7 ± 8.62 mmから26.5 ± 5.30 mmに低減させ、未学習データにおける境界局在化の改善を示した。
• 平均表面距離（ASD）は、ヒストグラムマッチングによりベースラインの6.19 ± 1.65 mmから3.76 ± 1.04 mmに低減され、表面精度の向上が確認された。
• MID-NetおよびRST-Netは類似したDice性能を示したが、ヒストグラムマッチングに比べてASDおよびHD値が悪く、境界予測のロバスト性が劣っていた。
• 前焼却LGE-MRIでは、DiceおよびHDの標準偏差が低く、後焼却スキャンに比べてより一貫性のある性能を示しており、より高いロバスト性が示された。