[論文レビュー] AtrialJSQnet: A New Framework for Joint Segmentation and Quantification of Left Atrium and Scars Incorporating Spatial and Shape Information

Lei Li, Veronika A. Zimmer+2 more|arXiv (Cornell University)|Aug 11, 2020

Advanced MRI Techniques and Applications参考文献 41被引用数 5

ひとこと要約

AtrialJSQnet は、空間的および形状的情報を統合することで、遅延ガドリニウム強化 MRI からの左房（LA）のセグメンテーションと瘢痕の定量を同時に実行する、新しい深層学習フレームワークである。形状アテンションを用いた暗黙的表面投影と空間符号化損失を導入することで、精度と一般化性能が向上し、再アブレーション前・再アブレーション後・マルチセンター LGE-MRI データセットにおいて最先端の性能を達成した。

ABSTRACT

Left atrial (LA) and atrial scar segmentation from late gadolinium enhanced magnetic resonance imaging (LGE MRI) is an important task in clinical practice. %, to guide ablation therapy and predict treatment results for atrial fibrillation (AF) patients. The automatic segmentation is however still challenging, due to the poor image quality, the various LA shapes, the thin wall, and the surrounding enhanced regions. Previous methods normally solved the two tasks independently and ignored the intrinsic spatial relationship between LA and scars. In this work, we develop a new framework, namely AtrialJSQnet, where LA segmentation, scar projection onto the LA surface, and scar quantification are performed simultaneously in an end-to-end style. We propose a mechanism of shape attention (SA) via an explicit surface projection, to utilize the inherent correlation between LA and LA scars. In specific, the SA scheme is embedded into a multi-task architecture to perform joint LA segmentation and scar quantification. Besides, a spatial encoding (SE) loss is introduced to incorporate continuous spatial information of the target, in order to reduce noisy patches in the predicted segmentation. We evaluated the proposed framework on 60 LGE MRIs from the MICCAI2018 LA challenge. Extensive experiments on a public dataset demonstrated the effect of the proposed AtrialJSQnet, which achieved competitive performance over the state-of-the-art. The relatedness between LA segmentation and scar quantification was explicitly explored and has shown significant performance improvements for both tasks. The code and results will be released publicly once the manuscript is accepted for publication via https://zmiclab.github.io/projects.html.

研究の動機と目的

• 再アブレーション前・再アブレーション後の LGE-MRI において、画像品質の悪さ、変動する LA の形態、薄い壁、周囲の強調の影響を受ける自動的 LA および瘢痕セグメンテーションの課題に対処すること。
• 独立したセグメンテーションと定量のワークフローの限界を克服し、エンドツーエンドのフレームワークで LA セグメンテーション、瘢痕の表面への投影、瘢痕の定量を統合すること。
• LA 腔と瘢痕の空間的および形状的関係を、形状アテンションと空間符号化を用いて明示的にモデル化すること。
• 再アブレーション前、再アブレーション後、マルチセンター LGE-MRI データセットにおけるモデルの一般化性能を評価し、臨床的 MRI におけるドメインシフトの問題に対処すること。

提案手法

• LA セグメンテーション、LA 表面への瘢痕投影、瘢痕の定量を同時に実行するマルチタスク深層学習アーキテクチャを導入する。
• LA 表面をアテンションマスクとして用いる形状アテンション（SA）機構を採用し、明示的な壁セグメンテーションを必要とせずに、予測された瘢痕確率マップに瘢痕を効果的に LA 表面に投影する。
• 正解の距離変換マップ（DTM）に基づく空間符号化（SE）損失を導入し、連続的な空間情報を符号化することでノイズの多い予測を低減する。
• 微分可能な暗黙的表面投影を用いることで、空間的監督を伴うエンドツーエンド学習を可能にする。
• マルチスケール特徴量と残留 U-Net ライクなバックボーンを活用し、LGE-MRI からの強力な特徴抽出を実現する。
• ジョイント最適化によりエンドツーエンドで学習を実施し、LA セグメンテーションと瘢痕の定量の相互改善を可能にする。

実験結果

リサーチクエスチョン

• RQ1 独立処理と比較して、LA と瘢痕の統合的セグメンテーションと定量が性能向上をもたらすか？
• RQ2 明示的な壁セグメンテーションを必要としない表面投影による形状アテンションが、瘢痕の局在化と定量にどの程度効果を発揮するか？
• RQ3 連続的な空間情報を組み込むことで、空間符号化損失がセグメンテーションのロバストネスをどの程度向上させるか？
• RQ4 AtrialJSQnet フレームワークは、再アブレーション前およびマルチセンター再アブレーション後 LGE-MRI データを含む、さまざまな取得プロトコルにどの程度一般化可能か？
• RQ5 空間的および形状的事前知識を統合することで、低コントラストで幾何学的形状が多様な LGE-MRI において、ノイズを顕著に低減し、精度を向上させられるか？

主な発見

• AtrialJSQnet は、LA セグメンテーションにおいて平均 Dice スコア 0.913、Hausdorff 距離 20.0 mm を達成し、インターオブザーバー可変性（Dice = 0.894、HD = 17.0 mm）に近づいた。
• 瘢痕の定量においては、正解度 0.867、Dice スコア 0.543 を達成し、インターオブザーバー一致度（正解度 = 0.891、Dice = 0.580）をわずかに下回った。
• ジョイント最適化方式により、タスクを別々に学習する場合と比較して、LA セグメンテーションおよび瘢痕の定量性能が顕著に向上した。
• 空間符号化（SE）損失により、距離変換マップを介した連続的空間監督を組み込むことで、セグメンテーション出力のノイズパッチが低減した。
• モデルは強力なドメイン一般化性能を示し、分布シフトが生じるにもかかわらず、再アブレーション前およびマルチセンター LGE-MRI データセットにおいても競争力ある性能を維持した。
• 形状アテンション機構により、壁セグメンテーションを明示的に必要とせずに、LA 表面への瘢痕の投影が効果的に実現され、空間的忠実性が保持された。