[論文レビュー] Deep Learning using K-space Based Data Augmentation for Automated Cardiac MR Motion Artefact Detection

İlkay Öksüz, Bram Ruijsink+7 more|arXiv (Cornell University)|Aug 15, 2018

Acute Ischemic Stroke Management参考文献 12被引用数 4

ひとこと要約

本稿では、UK Biobankの3,465例のCMRスキャンから成る極めて不均衡なデータセットにおいて、k-spaceに基づくデータ拡張を用いた3次元時空間畳み込みニューラルネットワーク（CNN）を提案し、心臓MRIにおける動きアーチファクトを自動で検出する。k-spaceの破損を用いて現実的な動きアーチファクトをシミュレートすることで、再現率（最大0.652）とF1スコア（0.722）が顕著に向上し、最先端の手法を上回る性能を発揮した。

ABSTRACT

Quality assessment of medical images is essential for complete automation of image processing pipelines. For large population studies such as the UK Biobank, artefacts such as those caused by heart motion are problematic and manual identification is tedious and time-consuming. Therefore, there is an urgent need for automatic image quality assessment techniques. In this paper, we propose a method to automatically detect the presence of motion-related artefacts in cardiac magnetic resonance (CMR) images. As this is a highly imbalanced classification problem (due to the high number of good quality images compared to the low number of images with motion artefacts), we propose a novel k-space based training data augmentation approach in order to address this problem. Our method is based on 3D spatio-temporal Convolutional Neural Networks, and is able to detect 2D+time short axis images with motion artefacts in less than 1ms. We test our algorithm on a subset of the UK Biobank dataset consisting of 3465 CMR images and achieve not only high accuracy in detection of motion artefacts, but also high precision and recall. We compare our approach to a range of state-of-the-art quality assessment methods.

研究の動機と目的

• UK Biobankのような大規模な心臓MRI画像データセットにおける自動的動きアーチファクト検出の課題に対処すること。
• 良好な品質の画像が著しく多いが、動きアーチファクトを伴う画像が極めて少ない、CMR画像品質評価における深刻なクラス不均衡を克服すること。
• k-spaceの破損を用いて合成された動きアーチファクトを生成する、現実的なデータ拡張戦略を開発し、モデルの汎化性能を向上させること。
• 実臨床CMRデータ上で、3D CNNベースのアプローチの性能を最先端の機械学習手法および画像品質指標と比較して評価すること。
• 大規模な人口集団研究を支援し、正確な心機能定量を可能にする、完全自動で高スループットな品質評価を実現すること。

提案手法

• 2次元＋時間の短軸CINE CMRシーケンスを、動きアーチファクトを含むか、良好な品質であるかを分類する3次元時空間CNNを訓練する。
• 画像前処理には強度正規化と動きに基づく領域（ROI）抽出を実施し、80×80ピクセルに限定する。画像リサイズを回避する。
• 良好な品質の画像のk-spaceデータを破損させることで、ぼやけなど現実的な動き関連アーチファクトを模倣する、新しいk-spaceに基づくデータ拡張技術を提案する。
• k-spaceの破損プロセスは位相および振幅情報を保持し、図1cに示すように、臨床的動きアーチファクトに類似したアーチファクトを生成する。
• さらに、並進シフトによる追加のデータ拡張により、モデルのロバスト性と汎化性能が向上する。
• 性能評価には、10分割のストラティフィード交差検証戦略を用い、正解率、適合率、再現率、F1スコアなどの指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 大規模で現実的なデータセット（UK Biobank）からの心臓MRI画像において、深層学習モデルは動きアーチファクトを効果的に検出できるか？
• RQ2 k-spaceに基づくデータ拡張は、従来のデータ拡張手法と比較して、極めて不均衡なCMRデータセットにおける検出性能向上にどのように寄与するか？
• RQ3 本手法は、再現率およびF1スコアの観点から、最先端の画像品質評価技術をどの程度上回るか？
• RQ4 臨床応用に向け、高い検出精度を維持しながら、高速な推論が可能か？
• RQ5 k-spaceの破損は、合成的またはパッチベースの手法と比較して、より現実的なアーチファクトを生成するか？

主な発見

• 提案されたk-spaceに基づくデータ拡張により、再現率が（データ拡張なし時：0.466）から0.642に向上し、クラス不均衡の解消に有効であることが示された。
• k-spaceおよび並進シフトの両方のデータ拡張を適用した場合、F1スコアは0.722に達し、Adaboostや従来の画像品質指標を含む、他のすべてのテスト手法を上回った。
• 3D CNNモデルは適合率0.809、再現率0.652を達成し、真の陽性アーチファクトケースを効果的に特定していることが示された。
• 1スキャンあたり1ms未満で動きアーチファクトを検出可能であり、大規模研究におけるリアルタイムまたは高スループット処理が可能である。
• k-spaceの破損アプローチにより、臨床的動き関連のぼやけを非常にリアルに再現したアーチファクトが生成され、視覚的検査および実際のアーチファクトとの比較で裏付けられた。
• 本手法は、古典的機械学習手法だけでなく、NIQE やラプラシアンの分散といった確立された画像品質指標に対しても、再現率およびF1スコアの両面で優れた性能を示した。