[論文レビュー] Cardiac Segmentation from LGE MRI Using Deep Neural Network Incorporating Shape and Spatial Priors

Yue Qian, Xinzhe Luo+3 more|arXiv (Cornell University)|Jun 18, 2019

Advanced MRI Techniques and Applications参考文献 15被引用数 10

ひとこと要約

本論文では、形状再構成ネットワーク（SRNN）と空間制約ネットワーク（SCN）を介して形状および空間的事前知識を統合する、深層学習フレームワークであるSRSCNを提案する。この手法は、遅延ガドリニウム強化MRIにおける心筋の自動セグメンテーションを実現し、心筋セグメンテーションのDiceスコアが0.758（標準偏差=0.227）に達し、最先端の正則化手法を上回り、観察者間のばらつき（0.757、標準偏差=0.083）に近い水準に達した。

ABSTRACT

Cardiac segmentation from late gadolinium enhancement MRI is an important task in clinics to identify and evaluate the infarction of myocardium. The automatic segmentation is however still challenging, due to the heterogeneous intensity distributions and indistinct boundaries in the images. In this paper, we propose a new method, based on deep neural networks (DNN), for fully automatic segmentation. The proposed network, referred to as SRSCN, comprises a shape reconstruction neural network (SRNN) and a spatial constraint network (SCN). SRNN aims to maintain a realistic shape of the resulting segmentation. It can be pre-trained by a set of label images, and then be embedded into a unified loss function as a regularization term. Hence, no manually designed feature is needed. Furthermore, SCN incorporates the spatial information of the 2D slices. It is formulated and trained with the segmentation network via the multi-task learning strategy. We evaluated the proposed method using 45 patients and compared with two state-of-the-art regularization schemes, i.e., the anatomically constraint neural network and the adversarial neural network. The results show that the proposed SRSCN outperformed the conventional schemes, and obtained a Dice score of 0.758(std=0.227) for myocardial segmentation, which compares with 0.757(std=0.083) from the inter-observer variations.

研究の動機と目的

• 不均一な強度と明確でない境界による、LGE-MRIにおける自動心筋セグメンテーションの課題に対処すること。
• 手動で設計された特徴量に依存するのを減らし、形状および空間的事前知識を深層学習フレームワークに直接統合すること。
• 2次元心筋短軸切片間の解剖学的現実性と空間的一致性を組み込むことで、セグメンテーションの精度を向上させること。
• 従来の正則化技術（例：解剖学的制約、敵対的ネットワーク）を上回るセグメンテーション性能を達成すること。
• セグメンテーションと事前知識の制約の両方を統合的に最適化できる、統合型の深層学習アーキテクチャを構築すること。

提案手法

• SRSCNフレームワークは、ラベル付きデータで事前学習した形状再構成ニューラルネットワーク（SRNN）を組み込み、損失関数に正則化項として統合することで、現実的な心筋形状を保持する。
• 2次元心筋短軸切片間の空間的関係をモデル化するため、空間制約ネットワーク（SCN）を導入し、解剖学的妥当性を向上させる。
• SRNNとSCNは、マルチタスク学習戦略を用いてセグメンテーションネットワークと同時に学習させ、エンドツーエンド最適化を実現する。
• SRNNの出力から導出される損失項により形状事前知識を埋め込み、手作業による特徴量の必要性を回避する。
• 隣接する切片間の空間的文脈をモデル化することで、空間的一致性を強化し、セグメンテーションのロバスト性を向上させる。
• 本手法は、45例のLGE-MRIスキャンを含むデータセット上で学習および評価され、主にDiceスコアを評価指標として用いた。

実験結果

リサーチクエスチョン

• RQ1 形状および空間的事前知識を統合した深層学習フレームワークは、LGE-MRIにおける自動心筋セグメンテーションの精度を向上させることができるか？
• RQ2 提案されたSRSCN手法は、解剖学的制約付きおよび敵対的ネットワークなどの最先端の正則化技術と比較して、どのように性能を発揮するか？
• RQ3 事前学習済みの形状事前知識を統合することで、心筋セグメンテーションにおける手作業特徴量の必要性はどの程度低減されるか？
• RQ4 2次元切片間の空間的制約を組み込むことで、セグメンテーションの一貫性および解剖学的妥当性は向上するか？
• RQ5 提案手法は、臨床現場における観察者間ばらつきと同等のセグメンテーション性能を達成できるか？

主な発見

• 提案されたSRSCN手法は、45例のテストセットにおいて心筋セグメンテーションでDiceスコア0.758（標準偏差0.227）を達成した。
• SRSCNの性能は、観察者間ばらつき（0.757、標準偏差0.083）と同等であり、臨床的意義が極めて高いことを示した。
• SRSCNは、同じデータセット上で評価された2つの最先端の正則化手法（解剖学的制約付きニューラルネットワークおよび敵対的ニューラルネットワーク）を上回った。
• 形状および空間的事前知識の統合により、特に組織対比が低い領域においても、セグメンテーション精度および解剖学的妥当性が顕著に向上した。
• LGE-MRIスキャンに一般的に見られる多様な強度および境界条件に対しても、本手法は高いロバスト性を示した。
• アブレーションスタディの結果、形状再構成部および空間制約部の両方が最終的な性能に有意に寄与しており、併合モデルが最良の結果をもたらした。