[論文レビュー] Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI

Yichi Zhang|arXiv (Cornell University)|Dec 28, 2020

Cardiac Imaging and Diagnostics参考文献 9被引用数 6

ひとこと要約

本論文は、遅延強化心臓MRIにおける自動虚血性心筋症例分離のための段階的2次元-3次元U-Netアーキテクチャを提案する。まず2次元U-Netを用いて切片内での粗い分離を実行し、その後3次元U-Netで体積的文脈を活用して結果を精緻化することで、MICCAI 2020 EMIDECチャレンジデータセットにおいて心筋の平均Diceスコア0.8786、虚血の0.7124、再灌流欠損の0.7851という最先端の性能を達成した。

ABSTRACT

Automatic segmentation of myocardial contours and relevant areas like infraction and no-reflow is an important step for the quantitative evaluation of myocardial infarction. In this work, we propose a cascaded convolutional neural network for automatic myocardial infarction segmentation from delayed-enhancement cardiac MRI. We first use a 2D U-Net to focus on the intra-slice information to perform a preliminary segmentation. After that, we use a 3D U-Net to utilize the volumetric spatial information for a subtle segmentation. Our method is evaluated on the MICCAI 2020 EMIDEC challenge dataset and achieves average Dice score of 0.8786, 0.7124 and 0.7851 for myocardium, infarction and no-reflow respectively, outperforms all the other teams of the segmentation contest.

研究の動機と目的

• 遅延強化心臓MRIにおける虚血性心筋症例および関連領域の正確な自動分離の課題に対処すること。
• 切片内（2次元）および体積的（3次元）空間情報の統合により分離精度を向上させること。
• MICCAI 2020 EMIDECチャレンジにおける虚血性心筋症例分離において、既存手法を上回る堅牢な手法を開発すること。
• 低切片相関領域における3次元精緻化を向上させるために、2次元粗い出力からの空間的事前知識を活用すること。

提案手法

• 段階的2段階ネットワークアーキテクチャを提案：最初に2次元U-Netが個々の短軸切片を処理して粗い分離を実行する。
• 2次元出力を元の3次元ボリュームと連結し、2段階目の3次元U-Netにおける空間的事前知識として機能させる。
• 3次元U-Netは3次元畳み込みを用いて体積的文脈を捉え、切片間相関を活用して分離を精緻化する。
• 2次元および3次元U-Netのエンコーダーとデコーダーブロック間のスキップ接続により、空間的局在化を保持し、特徴学習を強化する。
• トレーニング中のフォアグラウンドクラスへの注目を向上させるために、交差エントロピー損失とDice損失を組み合わせたハイブリッド損失関数を用いる。
• モデル推論には5分割交差検証とメジャリティ投票アンサンブルを用いて最終テストセット予測を生成する。

実験結果

リサーチクエスチョン

• RQ1 単独の2次元または3次元ネットワークと比較して、段階的2次元-3次元U-NetアーキテクチャはDE-MRIにおける虚血性心筋症例分離精度を向上させることができるか？
• RQ2 2次元粗い出力を空間的事前知識として組み込むことで、特に切片間解像度が低い領域において3次元分離性能が向上するか？
• RQ3 本手法は、MICCAI 2020 EMIDECチャレンジにおける他の参加手法と比較して、Diceスコアおよび体積誤差の観点で優れているか？
• RQ4 本手法は、データセット内の多様な病理的および正常例にわたり、どの程度の頑健性を示すか？

主な発見

• 提案手法はEMIDECテストセットにおいて心筋分離で平均Diceスコア0.8786を達成し、分離チャレンジで1位となった。
• 虚血分離ではDiceスコア0.7124を達成し、2次元単体ベースライン（平均0.558）を顕著に上回り、3次元モデリングによる強力な精緻化を示した。
• 再灌流欠損分離ではDiceスコア0.7851を達成し、微小血管障害領域の効果的同定を示した。
• 各fold間で低い分散を示し、心筋の標準偏差は0.005、虚血の標準偏差は0.04であり、高い頑健性を示した。
• ボリューム差（VolDif）およびハウスドルフ距離メトリクスにより幾何的正確性が向上したことが確認され、テストセットにおける心筋のVolDif平均は9258.24 mm³であった。
• 散在するボクセルの除去などの後処理ステップにより、分離品質が向上し、誤検出が低減した。