[論文レビュー] Automated cardiovascular magnetic resonance image analysis with fully convolutional networks

Wenjia Bai, Matthew Sinclair+21 more|arXiv (Cornell University)|Oct 25, 2017

Cardiac Imaging and Diagnostics参考文献 24被引用数 4

ひとこと要約

本論文は、短軸および長軸心血管磁気共鳴（CMR）画像における心臓構造の自動分類のための完全畳み込みネットワーク（FCN）ベースの手法を提案する。4,875名のUKバイオバンク被験者、93,500ピクセル単位のアノテーションを用いて訓練されたモデルは、左室および右室の体積、射出分数、心筋質量の測定において人間レベルの精度を達成し、左室腔のDiceスコアは0.94、手動トレースとの比較で終舒期体積の平均絶対差は6.1 mLであった。

ABSTRACT

Cardiovascular magnetic resonance (CMR) imaging is a standard imaging modality for assessing cardiovascular diseases (CVDs), the leading cause of death globally. CMR enables accurate quantification of the cardiac chamber volume, ejection fraction and myocardial mass, providing information for diagnosis and monitoring of CVDs. However, for years, clinicians have been relying on manual approaches for CMR image analysis, which is time consuming and prone to subjective errors. It is a major clinical challenge to automatically derive quantitative and clinically relevant information from CMR images. Deep neural networks have shown a great potential in image pattern recognition and segmentation for a variety of tasks. Here we demonstrate an automated analysis method for CMR images, which is based on a fully convolutional network (FCN). The network is trained and evaluated on a large-scale dataset from the UK Biobank, consisting of 4,875 subjects with 93,500 pixelwise annotated images. The performance of the method has been evaluated using a number of technical metrics, including the Dice metric, mean contour distance and Hausdorff distance, as well as clinically relevant measures, including left ventricle (LV) end-diastolic volume (LVEDV) and end-systolic volume (LVESV), LV mass (LVM); right ventricle (RV) end-diastolic volume (RVEDV) and end-systolic volume (RVESV). By combining FCN with a large-scale annotated dataset, the proposed automated method achieves a high performance on par with human experts in segmenting the LV and RV on short-axis CMR images and the left atrium (LA) and right atrium (RA) on long-axis CMR images.

研究の動機と目的

• CMR画像の手作業によるセグメンテーションが時間と主観的であるという臨床的課題に対処し、自動的かつ客観的な代替手法を開発すること。
• UKバイオバンクのような大規模な人口イメージング研究を可能にするため、数万枚のCMRスキャンを高スループットかつ高精度で分析できる体制を整えること。
• 深層学習モデルが複数の心臓視野において、心臓構造のセグメンテーションで人間の専門家と同等またはそれを上回る性能を示すことを実証すること。
• 大規模かつ公開利用可能な手動アノテーション付きデータセットを用いて、自動CMR解析のベンチマークを確立すること。

提案手法

• 完全畳み込みネットワーク（FCN）をエンドツーエンドで訓練し、短軸および長軸CMR画像における心臓構造のピクセル単位のセグメンテーションを実行する。
• スケールを複数用いた特徴抽出とスキップ接続による特徴統合により、セグメンテーションにおける局所化精度を向上させる。
• 左室および右室、左房および右房をカバーする、4,875名のUKバイオバンク被験者からなる大規模データセットを用いて訓練を行う。
• 境界検出およびセグメンテーションの一貫性を向上させるために、交差エントロピー損失とDice損失の組み合わせを最適化に用いる。
• 一般化および耐障害性を向上させるために、強度正規化、画像リサイズ、データ増強を含む前処理を実施する。
• 解剖学的に妥当なセグメンテーション出力を保証するため、形態的操作および輪郭の最適化を後処理に適用する。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みネットワークは、短軸および長軸CMR画像における心臓構造のセグメンテーションで人間レベルの性能を達成できるか？
• RQ2 人間の専門家間の観察者間ばらつきと比較して、自動手法の性能はどの程度か？
• RQ3 深層学習は、手作業によるCMR画像解析に伴う時間的・主観的負担をどの程度軽減できるか？
• RQ4 大規模かつ公開利用可能なアノテーション付きデータセットは、強固で汎用性の高いCMR解析モデルの開発を支援できるか？

主な発見

• 600例の短軸被験者からなるテストセットにおいて、左室腔の平均Diceスコアは0.94、左室筋膜は0.88、右室腔は0.90を達成した。
• 自動測定と手動測定との平均絶対差は、左室終舒期体積で6.1 mL、終収縮期体積で5.3 mL、左室筋肉質量で6.9 gであった。
• 右室体積に関しては、終舒期体積の平均絶対差が8.5 mL、終収縮期体積で7.2 mLであった。
• 長軸画像では、左房（2チャンバービュー）でDiceスコア0.93、左房（4チャンバービュー）で0.95、右房（4チャンバービュー）で0.96を達成した。
• 自動手法の性能は人間の観察者間ばらつきと同等であり、臨床応用に適していることを示した。
• 本手法により、1件あたり数秒で、射出分数やストロークボリュームといった臨床的関連指標の自動的・迅速かつ客観的な定量的評価が可能になった。