[論文レビュー] Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark Study from Multi-Sequence Cardiac MR Segmentation Challenge

Xiahai Zhuang, Jiahang Xu+21 more|arXiv (Cornell University)|Jun 22, 2020

Advanced MRI Techniques and Applications被引用数 11

ひとこと要約

本ベンチマーク研究では、MICCAI 2019 チャレンジのマルチシーケンス心臓MRIデータセットを用いて、遅延強化（LGE）心臓MRIにおける左室および心筋のセグメンテーションのための9つの最先端手法を評価した。主な貢献は、限定的なラベル付きLGEデータにもかかわらず、補助的なbSSFPおよびT2シーケンスがセグメンテーションのロバスト性を顕著に向上させることを示したことである。また、教師ありおよび教師なし手法の両方が、観察者間ばらつきと同等の性能を達成していることも明らかになった。

ABSTRACT

Accurate computing, analysis and modeling of the ventricles and myocardium from medical images are important, especially in the diagnosis and treatment management for patients suffering from myocardial infarction (MI). Late gadolinium enhancement (LGE) cardiac magnetic resonance (CMR) provides an important protocol to visualize MI. However, automated segmentation of LGE CMR is still challenging, due to the indistinguishable boundaries, heterogeneous intensity distribution and complex enhancement patterns of pathological myocardium from LGE CMR. Furthermore, compared with the other sequences LGE CMR images with gold standard labels are particularly limited, which represents another obstacle for developing novel algorithms for automatic segmentation of LGE CMR. This paper presents the selective results from the Multi-Sequence Cardiac MR (MS-CMR) Segmentation challenge, in conjunction with MICCAI 2019. The challenge offered a data set of paired MS-CMR images, including auxiliary CMR sequences as well as LGE CMR, from 45 patients who underwent cardiomyopathy. It was aimed to develop new algorithms, as well as benchmark existing ones for LGE CMR segmentation and compare them objectively. In addition, the paired MS-CMR images could enable algorithms to combine the complementary information from the other sequences for the segmentation of LGE CMR. Nine representative works were selected for evaluation and comparisons, among which three methods are unsupervised methods and the other six are supervised. The results showed that the average performance of the nine methods was comparable to the inter-observer variations. The success of these methods was mainly attributed to the inclusion of the auxiliary sequences from the MS-CMR images, which provide important label information for the training of deep neural networks.

研究の動機と目的

• 深層学習モデルを用いた心臓セグメンテーションの学習において、ゴールドスタンダードのLGE CMRラベルが限られているという課題に対処すること。
• 共通のベンチマークデータセットを用いて、教師ありおよび教師なしの深層学習手法のLGE CMRセグメンテーションにおける性能を評価・比較すること。
• ラベル付きLGE画像の数が少ない状況下でも、補助的心臓MRIシーケンス（bSSFPおよびT2）がセグメンテーション精度を向上させる有効性を調査すること。
• トレーニング、検証、テストデータおよび正解ラベルを公開する形で、LGE CMRセグメンテーションのための公開・標準化されたベンチマークを確立すること。

提案手法

• 本研究では、心筋症を有する45例の患者から得られたマルチシーケンス心臓MRIデータセットを用い、対応するLGE、bSSFP、T2シーケンスを含んでいた。
• 参加者は、5例のラベル付きLGE画像を用いた教師あり微調整、またはbSSFP/T2シーケンスのラベルを用いた教師なしドメイン変換のいずれかの手法でアルゴリズムを開発した。
• 評価フレームワークでは、左室、心筋、内膜面/左室射出分数のセグメンテーションについて、デューススコア、ハウスドルフ距離、平均表面距離といった盲検の客観的指標を用いた。
• 臨床的妥当性とロバスト性を評価するため、観察者間ばらつきと比較した。
• ベンチマークには、トレーニング（5例のLGE）およびテスト（40例のLGE）セットが含まれており、再現性を確保するため、チャレンジ終了後にゴールドスタンダードのセグメンテーションが公開された。
• 多様なアルゴリズム的アプローチ（マルチモality統合や形状に配慮した学習を含む）を公平に比較できるよう、統一された評価プロトコルが採用された。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きLGE CMR画像が限定的である状況下で、教師なしドメイン変換手法は、教師あり手法と同等の性能を達成できるか？
• RQ2 補助的bSSFPおよびT2シーケンスは、LGE CMRセグメンテーションの精度とロバスト性をどの程度向上させるか？
• RQ3 最先端のセグメンテーションモデルのLGE CMRにおける性能は、臨床現場における観察者間ばらつきと比べてどの程度か？
• RQ4 LGE、bSSFP、T2の複数の心臓MRIシーケンスを同時にセグメンテーションすることは、単一シーケンスアプローチよりも優れた結果をもたらすか？
• RQ5 マルチモalityデータ統合およびドメイン変換は、データが少ない状況下での心臓MRIセグメンテーションにおける一般化性能にどのような影響を与えるか？

主な発見

• 評価された9つの手法の平均性能は、観察者間ばらつきと同等であり、臨床的意義が非常に高いことを示している。
• 上位の教師ありおよび教師なし手法ともに、心筋のデューススコアが0.812 ± 0.105、左室のデューススコアが0.915 ± 0.052を達成した。
• LGEラベルが存在しないにもかかわらず、bSSFP/T2のラベルを用いた教師なしドメイン変換手法が、教師あり手法とほぼ同等の性能を示した。これは、bSSFPとLGEの間でドメインシフトが最小限であることを示唆している。
• 補助シーケンス（bSSFPおよびT2）の導入が、セグメンテーションの成功にとって不可欠であった。特に、効果的な事前学習とドメイン変換を可能にした。
• 同時に複数シーケンスをセグメンテーションする可能性はあったが、評価された手法のいずれもこの戦略を採用していなかった。これは、同時登錏および最適化の困難さが主な要因と考えられる。
• ゴールドスタンダードラベルを備えた本ベンチマークデータセット（トレーニングおよびテストセットともに）は、今後の再現性のある研究を可能にするために公開されている。