[論文レビュー] Automatic Segmentation and Disease Classification Using Cardiac Cine MR Images

Jelmer M. Wolterink, Tim Leiner+2 more|arXiv (Cornell University)|Aug 3, 2017

Cardiac Imaging and Diagnostics参考文献 12被引用数 9

ひとこと要約

本論文は、心拍動画像における左室、右室、心筋のセグメンテーションを自動的に行い、その後に定量的特徴量を用いて患者を5つの心疾患カテゴリに分類するための完全自動手法を提示している。この手法は畳み込みニューラルネットワーク（CNN）を用いて収縮期末（end-diastole, ED）および拡張期末（end-systole, ES）における左室（LV）、右室（RV）、心筋をセグメンテーションし、その後にランダムフォレスト分類器がそれらの特徴量を用いて分類を行う。分類精度は91%に達した。パイプラインは高いセグメンテーション精度（LV, RV, 心筋のDiceスコアはそれぞれ0.94, 0.88, 0.87）を達成しており、1人当たり5秒で処理が完了する。

ABSTRACT

Segmentation of the heart in cardiac cine MR is clinically used to quantify cardiac function. We propose a fully automatic method for segmentation and disease classification using cardiac cine MR images. A convolutional neural network (CNN) was designed to simultaneously segment the left ventricle (LV), right ventricle (RV) and myocardium in end-diastole (ED) and end-systole (ES) images. Features derived from the obtained segmentations were used in a Random Forest classifier to label patients as suffering from dilated cardiomyopathy, hypertrophic cardiomyopathy, heart failure following myocardial infarction, right ventricular abnormality, or no cardiac disease. The method was developed and evaluated using a balanced dataset containing images of 100 patients, which was provided in the MICCAI 2017 automated cardiac diagnosis challenge (ACDC). The segmentation and classification pipeline were evaluated in a four-fold stratified cross-validation. Average Dice scores between reference and automatically obtained segmentations were 0.94, 0.88 and 0.87 for the LV, RV and myocardium. The classifier assigned 91% of patients to the correct disease category. Segmentation and disease classification took 5 s per patient. The results of our study suggest that image-based diagnosis using cine MR cardiac scans can be performed automatically with high accuracy.

研究の動機と目的

• 心拍動MRI画像における心臓構造の完全自動セグメンテーション手法の開発を目的とし、心機能の臨床的評価を支援すること。
• 画像から抽出した特徴量を用いて、正常、拡張型心筋症、肥厚型心筋症、虚血後心不全、右室異常の5つの心疾患カテゴリに患者を分類すること。
• 分類器の事後確率分布を分析することにより、診断が曖昧または不確実な患者を同定すること。
• MICCAI 2017 ACDCチャレンジから得られたバランスの取れたデータセットを用いて、深層学習によるセグメンテーションと従来のランダムフォレスト分類器を組み合わせた二段階パイプラインの性能を評価すること。

提案手法

• ドーナツ型のU-Net構造を採用したCNNを用い、ドーリング畳み込みとバッチ正規化を導入。収縮期末（ED）および拡張期末（ES）の短軸切断画像に対して、背景、LV、RV、心筋の多クラス確率マップを同時に予測するように学習した。
• 時間的動き情報を活用するため、解剖学的に整合したEDおよびES画像を二重入力として用いた。
• 各ボクセルを予測確率が最大となるクラスに割り当てる形でセグメンテーションを取得し、EDおよびESの出力に対して別々にソフトマックス正規化を適用した。
• 自動セグメンテーションから、射出分数、心室容積比、心筋質量などの定量的特徴量を抽出した。
• 患者情報と組み合わせたこれらの特徴量を用いてランダムフォレスト分類器を学習し、疾患カテゴリを予測した。モデルの不確実性は事後確率エントロピーを用いて評価した。
• MICCAI 2017 ACDCデータセットの100例のトレーニングケースを用い、4分割のストラティファイド交差検証を実施。全画像に再サンプリングと強度正規化を適用した。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのセグメンテーションモデルは、心拍動MRI画像における左室、右室、心筋の自動輪郭抽出を高い精度で達成できるか？
• RQ2 自動セグメンテーションから抽出した定量的特徴量は、高い精度で患者を明確な心疾患カテゴリに分類するために効果的に利用できるか？
• RQ3 分類器の事後確率分布は、診断の不確実性をどの程度反映しており、診断が曖昧または矛盾する臨床所見を示す患者を同定できるか？
• RQ4 二段階のセグメンテーション・分類パイプラインの性能は、参照基準セグメンテーションと比較して、診断精度および計算効率の面で優れているか？

主な発見

• 提案されたCNNは、左室、右室、心筋のセグメンテーションにおいて、それぞれ平均Diceスコア0.94、0.88、0.87を達成し、手動による基準セグメンテーションと高い一致度を示した。
• ランダムフォレスト分類器はテストセットで91%の多クラス分類精度を達成し、91%の患者が正しくその基準疾患カテゴリに割り当てられた。
• 1人当たりのセグメンテーションおよび分類処理にわずか5秒で完了し、高い計算効率を示した。
• 分類器の事後確率に高い不確実性を示す患者（例：基準診断がMINFまたは正常であるにもかかわらず誤分類された患者）は特定可能であり、曖昧な症例の同定に有効であることが示唆された。
• Bland-Altman解析により、基準と自動セグメンテーションとの間で定量的指標（例：射出分数、容積比）に最小限のバイアスが生じており、臨床現場における観察者間差異と同等の水準であった。
• 全周期の心拍動シーケンスを入力として用いることは検討されていなかったが、今後の研究でさらなるセグメンテーションおよび診断性能の向上が期待される。