[論文レビュー] Automated Segmentation of Left Ventricle in 2D echocardiography using deep learning

Neda Azarmehr, Xujiong Ye+4 more|arXiv (Cornell University)|Mar 17, 2020

Advanced Neural Network Applications参考文献 4被引用数 4

ひとこと要約

本研究では、2次元心エコーにおける自動左室セグメンテーションのためのオリジナルU-Netと2つの高度なU-Net変種（U-Net 1およびU-Net 2）の性能を評価した。正確性の向上が主張されているにもかかわらず、オリジナルU-Netが両変種を上回り、独立したテストセット（199フレーム）で平均Dice係数0.92 ± 0.05およびハウスドルフ距離3.97 ± 0.82を達成し、専門家読影者と同等の頑健性を示した。

ABSTRACT

Following the successful application of the U-Net to medical images, there have been different encoder-decoder models proposed as an improvement to the original U-Net for segmenting echocardiographic images. This study aims to examine the performance of the state-of-the-art proposed models as well as the original U-Net model by applying them to segment the endocardium of the Left Ventricle in 2D automatically. The prediction outputs of the models are used to evaluate the performance of the models by comparing the automated results against the expert annotations (gold standard). Our results reveal that the U-Net model outperforms other models by achieving an average Dice coefficient of 0.92$ \\pm 0.05$, and Hausdorff distance of 3.97$ \\pm 0.82$.

研究の動機と目的

• 2次元心エコーにおける自動左室セグメンテーションのための最先端のU-Netベースモデルの性能を評価すること。
• 独立データセットを用いてオリジナルU-NetとU-Net 1およびU-Net 2の性能を比較し、一般化性と頑健性を評価すること。
• 新しいU-Net変種が臨床的エコー画像において、オリジナルU-Netよりもセグメンテーション精度を向上させることを確認すること。
• 画像品質が深層学習ベースのセグメンテーションモデルの性能に与える影響を調査し、自動予測結果と専門家によるアノテーションを比較すること。

提案手法

• 本研究では、心尖4視聴での2次元心エコー画像を用いた61例のデータセットを用い、拡張期および収縮期の段階から合計992フレームをアノテートした。
• 基準画像として、経験を積んだ心臓病専門医がセグメンテーションを実施し、二重盲検で別の専門医がアノテートすることで、観察者間差の評価を実施した。
• データセットは60％を訓練用、20％を検証用、20％をテスト用に分割し、各セット間に患者の重複がないようにし、一般化性を確保した。
• すべてのモデルは、学習率0.00001、250エポック、Adam最適化手法、負の対数尤度損失関数を用いて訓練した。
• 入力画像は、モデル間の公平な比較を確保するため、256×256ピクセルにリサイズした。すべてのモデルは同じ空間解像度の出力を生成した。
• モデルの評価には、自動予測結果と専門家アノテーションとの間でDice係数およびハウスドルフ距離を用いた。

実験結果

リサーチクエスチョン

• RQ1 オリジナルU-Netは、2次元心エコーにおける左室セグメンテーションにおいて、U-Net 1およびU-Net 2を上回る性能を示すか？
• RQ2 自動セグメンテーションモデルの性能指標は、専門心臓病専門医間の観察者間差と比較してどうなるか？
• RQ3 画像品質がエコー画像における深層学習ベースのセグメンテーションモデルの精度に与える影響はどの程度か？
• RQ4 自動モデルは、人間の専門家と同等の性能を左室セグメンテーションで達成できるか？

主な発見

• オリジナルU-Netは、テストセット全体で最高の平均Dice係数0.92 ± 0.05を達成し、U-Net 1およびU-Net 2を上回った。
• オリジナルU-Netは、境界の局所化精度が優れていることを示し、最小のハウスドルフ距離3.97 ± 0.82を記録した。
• 視覚的検査により、オリジナルU-Netが他のモデルと比較して滑らかでより正確な左室内膜面輪郭を生成していることが確認された。
• すべてのモデルが、スペッケルノイズ、コントラストが低い、または境界が欠落している画像では性能が低下した。
• 自動モデルと専門家アノテーションの不一致は、2名の専門家間の不一致と同等であり、モデルの頑健性を示している。
• 本研究では、このデータセットにおいて、新しいU-Net変種がオリジナルU-Netのセグメンテーション精度を顕著に向上させることは確認できなかった。