[論文レビュー] Automated Artery Localization and Vessel Wall Segmentation of Magnetic Resonance Vessel Wall Images using Tracklet Refinement and Polar Conversion

Li Chen, Jie Sun+7 more|arXiv (Cornell University)|Sep 4, 2019

Cerebrovascular and Carotid Artery Diseases参考文献 29被引用数 4

ひとこと要約

本稿では、中心線検出のためのトラックレット精錬と極座標変換を用いて、MR血管壁画像における動脈局在化と血管壁セグメンテーションを完全自動で行うシステムを提案する。カルオイド（n=116）およびフェニルアーテリー（n=5）データセットで評価した結果、Diceスコアは0.824を達成し、従来手法（0.576）および標準的なCNN（0.747）を著しく上回った。

ABSTRACT

Quantitative analysis of vessel wall structures by automated vessel wall segmentation provides useful imaging biomarkers in evaluating atherosclerotic lesions and plaque progression time-efficiently. To quantify vessel wall features, drawing lumen and outer wall contours of the artery of interest is required. To alleviate manual labor in contour drawing, some computer-assisted tools exist, but manual preprocessing steps, such as region of interest identification and boundary initialization are needed. In addition, the prior knowledge of the ring shape of vessel wall is not taken into consideration in designing the segmentation method. In this work, trained on manual vessel wall contours, a fully automated artery localization and vessel wall segmentation system is proposed. A tracklet refinement algorithm is used to robustly identify the centerlines of arteries of interest from a neural network localization architecture. Image patches are extracted from the centerlines and segmented in a polar coordinate system to use 3D information and to overcome problems such as contour discontinuity and interference from neighboring vessels. From a carotid artery dataset with 116 subjects (3406 slices) and a popliteal artery dataset with 5 subjects (289 slices), the proposed system is shown to robustly identify the artery of interest and segment the vessel wall. The proposed system demonstrates better performance on the carotid dataset with a Dice similarity coefficient of 0.824, compared with traditional vessel wall segmentation methods, Dice of 0.576, and traditional convolutional neural network approaches, Dice of 0.747. This vessel wall segmentation system will facilitate research on atherosclerosis and assist radiologists in image review.

研究の動機と目的

• 血管壁セグメンテーションにおける、領域の選択や境界初期化といった手動前処理手順を排除すること。
• 血管壁が持つ固有の輪状構造を活用して、セグメンテーションのロバスト性と正確性を向上させること。
• 3D MR血管壁画像における動脈局在化と壁セグメンテーションの完全自動パイプラインを開発すること。
• 3D空間的コンテキストを統合することでセグメンテーション性能を向上させ、輪郭の不連続性を克服すること。
• 定量的アテローム性プラーク解析を支援し、放射線科のワークフローを簡素化するために、手動作業を削減すること。

提案手法

• ニューラルネットワークベースの局在化アーキテクチャが、3D MR血管壁画像内の候補となる動脈中心線を特定する。
• トラックレット精錬を適用してスライス間の中心線セグメントを接続・精錬し、連続性と正確性を向上させる。
• 精錬された中心線に沿って画像パッチを抽出し、3D血管壁の幾何構造を保持するため極座標系に変換する。
• 極座標変換により、円形の血管壁構造をより良くモデル化でき、隣接する血管からの干渉を低減できる。
• セグメンテーションネットワークが極座標変換済みパッチを処理し、腔および外壁境界を明確化する。
• 極座標表現を通じて3D情報を統合することで、輪郭の不連続性やノイズに対してよりロバストな性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 トラックレット精錬は、3D MR血管壁画像における動脈中心線検出の正確性と連続性を向上させることができるか？
• RQ2 極座標変換により、輪状の解剖学的構造をより良くモデル化することで、血管壁セグメンテーションが向上するか？
• RQ3 手動初期化なしに、完全自動システムが従来手法およびCNNベースの手法を上回る性能を発揮できるか？
• RQ4 本手法は、カルオイドおよびフェニルアーテリーなど、多様な血管タイプにおいても有効に機能するか？
• RQ5 事前に得た解剖学的知識（輪状形状）を組み込むことで、セグメンテーションのロバスト性とDiceスコアはどの程度向上するか？

主な発見

• 提案手法はカルオイド動脈データセットでDice類似係数0.824を達成し、従来手法（0.576）を著しく上回った。
• 同データセットで標準的な畳み込みニューラルネットワーク手法が得たDiceスコア0.747をも上回った。
• 本システムはカルオイド（3406スライス、116例）およびフェニルアーテリー（289スライス、5例）の両データセットで、ロバストな性能を示した。
• 極座標変換の使用により、輪郭の不連続性や隣接血管からの干渉といった問題が効果的に軽減された。
• トラックレット精錬により、スライス間での中心線の連続性が著しく向上し、セグメンテーションに適したパッチ抽出が可能になった。
• 手動による領域選択や境界初期化の必要がなく、完全な自動化が実現された。