[論文レビュー] Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks

Kibrom Berihu Girum, Youssef Skandarani+4 more|arXiv (Cornell University)|Oct 30, 2020

Cardiac Imaging and Diagnostics参考文献 13被引用数 10

ひとこと要約

本稿では、遅延強化心筋MRI（DE-MRI）および臨床データを用いた自動虚血性心筋症評価のための2段階型ディープラーニングフレームワークを提案する。解剖的（左心室および心筋）と病理的（虚血巣およびノーリードイン）領域のセグメンテーションに、別個のU-Netベースのネットワークを採用し、心筋マスクによる精緻化を施した。左心室では93%のDiceスコア、心筋では84%を達成し、MRIデータを用いた分類精度は93.3%に達した。

ABSTRACT

In this paper, we propose a new deep learning framework for an automatic myocardial infarction evaluation from clinical information and delayed enhancement-MRI (DE-MRI). The proposed framework addresses two tasks. The first task is automatic detection of myocardial contours, the infarcted area, the no-reflow area, and the left ventricular cavity from a short-axis DE-MRI series. It employs two segmentation neural networks. The first network is used to segment the anatomical structures such as the myocardium and left ventricular cavity. The second network is used to segment the pathological areas such as myocardial infarction, myocardial no-reflow, and normal myocardial region. The segmented myocardium region from the first network is further used to refine the second network's pathological segmentation results. The second task is to automatically classify a given case into normal or pathological from clinical information with or without DE-MRI. A cascaded support vector machine (SVM) is employed to classify a given case from its associated clinical information. The segmented pathological areas from DE-MRI are also used for the classification task. We evaluated our method on the 2020 EMIDEC MICCAI challenge dataset. It yielded an average Dice index of 0.93 and 0.84, respectively, for the left ventricular cavity and the myocardium. The classification from using only clinical information yielded 80% accuracy over five-fold cross-validation. Using the DE-MRI, our method can classify the cases with 93.3% accuracy. These experimental results reveal that the proposed method can automatically evaluate the myocardial infarction.

研究の動機と目的

• 遅延強化心筋MRI（DE-MRI）から虚血巣およびノーリードイン領域を自動で同定する手法を開発すること。
• 深層畳み込みニューラルネットワークを用いて、解剖的構造（左心室および心筋）と病理的領域のセグメンテーション精度を向上させること。
• 臨床情報および/またはDE-MRIデータを用いて、患者を正常または病理的と自動分類可能にする仕組みを実現すること。
• 低コントラスト境界、形状の多様性、動きアーチファクトといった医療画像セグメンテーションの課題に取り組むこと。
• 臨床データと画像特徴を統合することで、診断分類性能を向上させること。

提案手法

• 解剖的セグメンテーション（左心室および心筋）を目的としたネットワークと、病理的セグメンテーション（虚血巣、ノーリードイン、正常心筋）を目的としたネットワークの2つの別個のエンコーダ・デコーダ型畳み込みニューラルネットワークを採用する。
• 解剖的ネットワークの出力を用いて、病理的ネットワークの予測領域を心筋領域内に制限するマスキング戦略を適用する。
• ネットワークアーキテクチャに2D $3\times3$畳み込み、ELU活性化関数、バッチ正則化、およびスクイーズアンドエクスカーションブロックを用いる。
• ダウンサンプリングには $2\times2$ マックスプーリング、アップサンプリングには $2\times2$ 逆畳み込みを用い、スキップ接続は連結により実装する。
• 入力画像をゼロ中心化し、標準偏差で正規化した後、$256\times256$にリサイズする。
• 両ネットワークの出力を統合し、最終的な4クラスセグメンテーションマップ（LV、MYO、MI、正常MYO）を生成。3次元評価においてDiceスコア、ハウスドルフ距離、相対体積差を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 2D短軸DE-MRIシリーズから左心室腔および心筋を正確にセグメンテーションできるか？
• RQ2 段階的ネットワークアーキテクチャは、心筋境界内に予測を制限することで、虚血巣およびノーリードイン領域を効果的に同定できるか？
• RQ3 臨床情報のみ、またはDE-MRIと組み合わせた場合、虚血巣症例の自動分類性能がどの程度向上するか？
• RQ4 EMIDEC MICCAI 2020チャレンジデータセットにおいて、提案手法は最先端技術と比較してセグメンテーション精度および分類性能で優れているか？
• RQ5 特にDiceスコアや体積の一貫性といった指標において、病理的領域セグメンテーションの限界は何か？

主な発見

• バリデーションセットにおいて、左心室腔セグメンテーションの平均Diceスコアは0.93 ± 0.018、心筋セグメンテーションは0.84 ± 0.03を達成した。
• 平均3次元ハウスドルフ距離は、左心室で6.5 mm、心筋で8.9 mmであり、空間的精度が妥当であることが示された。
• 臨床情報のみを用いた分類では、5分割交差検証で80%の精度を示した。
• DE-MRIから抽出した病理的セグメンテーション特徴を用いた分類では93.3%の精度を達成し、臨床情報のみの分類を顕著に上回った。
• 病理的セグメンテーションでは重なりが低く、虚血巣ではDiceスコア0.40 ± 0.10、ノーリードイン領域では0.67 ± 0.15であり、相対体積差はそれぞれ0.242および0.375であった。
• 本フレームワークは多様な画像解像度および臨床的変動に強く、臨床応用の可能性を裏付ける高いロバストネスを示した。