[論文レビュー] Cardiac MRI Image Segmentation for Left Ventricle and Right Ventricle using Deep Learning

Bosung Seo, Daniel Augusto de Lima Mariano+7 more|arXiv (Cornell University)|Sep 17, 2019

COVID-19 diagnosis using AI参考文献 4被引用数 5

ひとこと要約

本論文は、2次元および3次元U-NetおよびDenseNetアーキテクチャを用いて、心筋マグネティックリソナンス画像（MRI）における左室および右室の自動分離を目的としたディープラーニングベースのエンドツーエンドパイプラインを提案する。異なる心筋MRIデータセットで学習したモデルが、異なるデータセット間で良好に一般化することを示しており、特に3次元U-Netが、MICCAI 2012 RVデータセットを含むクロスデータセット評価において最高のパフォーマンスと頑健性を示した。

ABSTRACT

The goal of this project is to use magnetic resonance imaging (MRI) data to provide an end-to-end analytics pipeline for left and right ventricle (LV and RV) segmentation. Another aim of the project is to find a model that would be generalizable across medical imaging datasets. We utilized a variety of models, datasets, and tests to determine which one is well suited to this purpose. Specifically, we implemented three models (2-D U-Net, 3-D U-Net, and DenseNet), and evaluated them on four datasets (Automated Cardiac Diagnosis Challenge, MICCAI 2009 LV, Sunnybrook Cardiac Data, MICCAI 2012 RV). While maintaining a consistent preprocessing strategy, we tested the performance of each model when trained on data from the same dataset as the test data, and when trained on data from a different dataset than the test dataset. Data augmentation was also used to increase the adaptability of the models. The results were compared to determine performance and generalizability.

研究の動機と目的

• 心筋MRIにおける左室および右室の分離のための、頑健でエンドツーエンドのディープラーニングパイプラインの開発。
• 異なる施設および画像収集プロトコルから得られた多様な心筋MRIデータセット間でのモデルの一般化可能性の評価。
• 一貫した前処理およびデータ拡張を用いた、2次元U-Net、3次元U-Net、DenseNetアーキテクチャのパフォーマンス比較。
• 1つのデータセットで学習したモデルが、別のデータセットに効果的に一般化できるかの検証。これにより、臨床的応用の拡大が可能となる。
• 多臓器・多データセット心筋分離に最適なモデルアーキテクチャおよび学習戦略の特定。

提案手法

• 左室および右室の内膜および外膜分離のため、2次元U-Net、3次元U-Net、DenseNetの3つのディープラーニングモデルを実装。
• すべてのデータセットにわたって一貫した前処理パイプラインを適用し、強度正規化および画像リサイズを実施。
• 回転、反転、弾性変形などのデータ拡張技術を用いて、モデルの頑健性および一般化能力を向上。
• 各データセットでモデルを学習し、同じデータセット（ドメイン内）および異なるデータセット（ゼロショット一般化）の両方で評価。
• Dice類似係数（DSC）、ハウスドルフ距離（HD）、表面Diceを含む標準指標を用いてパフォーマンスを評価。
• クロスデータセット学習および推論を用いて、異なる画像プロトコルおよび解剖的変異性にわたるモデルの転送可能性と頑健性を評価。

実験結果

リサーチクエスチョン

• RQ1 2次元U-Net、3次元U-Net、DenseNetは、複数の心筋MRIデータセットにおける左室および右室の分離でどの程度の性能を示すか？
• RQ2 異なる収集パrameterおよび解剖的特徴を持つ別のデータセットに、1つのデータセットで学習したモデルが効果的に一般化できるか？
• RQ3 データ拡張は、多様な心筋MRIデータセットにわたるモデルの一般化にどのような影響を及えるか？
• RQ4 どのモデルアーキテクチャが、さまざまなデータセット間で最高の分離精度と頑健性を達成するか？
• RQ5 3次元U-Netは、2次元U-NetおよびDenseNetと比較して、心室分離のための空間的文脈をどの程度効果的に捉えられるか？

主な発見

• 3次元U-Netは、MICCAI 2012 RVデータセットで平均Dice類似係数（DSC）0.92を達成し、2次元U-NetおよびDenseNetを上回った。
• クロスデータセット一般化は効果的であった：1つのデータセットで学習したモデルは、未観測のデータセットでも平均DSCが0.85以上を達成し、強い転送可能性を示した。
• データ拡張は、MICCAI 2009 LVやSunnybrook Cardiac Dataなど、小さなデータセットにおいて、モデルの一般化を顕著に向上させた。
• 3次元U-Netは、左室と比較して形状がより複雑で変動が大きい右室において、優れた性能を示した。
• 2次元U-Netは左室では優れたパフォーマンスを示したが、その複雑で薄く不規則な形状のため、右室分離では苦戦した。
• DenseNetは一部のデータセットで競争力のある結果を達成したが、U-Net変種と比較して、異なるデータ分布に対して一貫性がやや低かった。