[論文レビュー] Dilated Convolutional Neural Networks for Cardiovascular MR Segmentation in Congenital Heart Disease

Jelmer M. Wolterink, Tim Leiner+2 more|Utrecht University Repository (Utrecht University)|Apr 12, 2017

Cardiac Imaging and Diagnostics被引用数 17

ひとこと要約

本論文は、先天性心疾患（CHD）患者の心血管磁気共鳴（CMR）画像において、心筋および血流腔を完全に自動的にセグメンテーションするための拡張畳み込みニューラルネットワーク（CNN）を提案する。10例のトレーニングスキャンという小さなデータセットを用いても、131×131の受容野を実現し、心筋のDiceスコアが0.80±0.06、血流腔のDiceスコアが0.93±0.02という高い精度を達成しており、各スキャンの処理時間は42秒未満である。

ABSTRACT

We propose an automatic method using dilated convolutional neural networks (CNNs) for segmentation of the myocardium and blood pool in cardiovascular MR (CMR) of patients with congenital heart disease (CHD). Ten training and ten test CMR scans cropped to an ROI around the heart were provided in the MICCAI 2016 HVSMR challenge. A dilated CNN with a receptive field of 131x131 voxels was trained for myocardium and blood pool segmentation in axial, sagittal and coronal image slices. Performance was evaluated within the HVSMR challenge. Automatic segmentation of the test scans resulted in Dice indices of 0.80$\pm$0.06 and 0.93$\pm$0.02, average distances to boundaries of 0.96$\pm$0.31 and 0.89$\pm$0.24 mm, and Hausdorff distances of 6.13$\pm$3.76 and 7.07$\pm$3.01 mm for the myocardium and blood pool, respectively. Segmentation took 41.5$\pm$14.7 s per scan. In conclusion, dilated CNNs trained on a small set of CMR images of CHD patients showing large anatomical variability provide accurate myocardium and blood pool segmentations.

研究の動機と目的

• 先天性心疾患（CHD）患者の心血管MRI（CMR）スキャンにおいて、心筋および血流腔を完全に自動でセグメンテーションする手法を開発すること。
• 従来のセグメンテーション手法を阻害するCHD患者における高い解剖的可変性に対処すること。
• 1スキャンあたり数時間もかかる人的に負担が大きい手動セグメンテーションに依存を減らすこと。
• 拡張畳み込みを活用して少ないパラメータで長距離の文脈的情報を捉え、小さなデータセットにおける過学習のリスクを最小限に抑えること。
• ダウンサンプリングや各ボクセルでのパッチ抽出なしに、高解像度で変換不変性を持つセグメンテーションを達成すること。

提案手法

• 3次元の拡張CNNを用い、各ボクセルを中心として3つの直交的パッチを用いて分類を行い、3つのパッチ予測の平均化によるラートフェージョンを実装する。
• 拡張率が1、2、4のスタックド拡張畳み込みを採用することで、パラメータ数の増加やダウンサンプリングなしに131×131ボクセルの大きな受容野を実現する。
• アーキテクチャはたった76,423のトレーニング可能なパラメータしか使用せず、小さなデータセットにおける過学習リスクを顕著に低減する。
• 本手法はフル画像スライスをエンドツーエンドで処理し、高解像度の出力を保持するとともに、変換不変性を維持する。
• 汎化性能を評価するために5分割交差検証を実施し、予測の分散を分析して過学習の有無を検出する。
• モデルは、MICCAI 2016 HVSMRチャレンジから抽出した心臓および大動脈周辺の切り出し済み画像を用い、10例のトレーニングスキャンおよび10例のテストスキャンで訓練および評価した。

実験結果

リサーチクエスチョン

• RQ1 少ないパラメータで、CMRスキャンにおいて長距離の文脈的情報を効果的に捉えることができるか？
• RQ2 高い解剖的可変性と小さなトレーニングデータセットを伴うCHD患者においても、拡張畳み込みを用いた完全畳み込みネットワークが頑健なセグメンテーションを達成できるか？
• RQ3 直交パッチ統合を用いることで、単一パッチまたは早期統合アプローチと比較して、セグメンテーション精度が向上するか？
• RQ4 パラメータ数が限られた拡張CNNを用いた小さなデータ環境でも、過学習が回避されるか？
• RQ5 1スキャンあたり1分未満のリアルタイム性能を維持しながら、高い精度を達成できるか？

主な発見

• テストスキャンにおいて、心筋のDiceスコアは0.80±0.06、血流腔のDiceスコアは0.93±0.02を達成し、高いセグメンテーション精度を示した。
• 心筋の平均表面距離は0.96±0.31 mm、血流腔の平均表面距離は0.89±0.24 mmであり、境界の正確な一致を示した。
• ハウスドルフ距離は心筋で6.13±3.76 mm、血流腔で7.07±3.01 mmであり、外れ値に対して高いロバストネスを示した。
• セグメンテーション時間は1スキャンあたり41.5±14.7秒であり、12分以上を要する従来手法よりも顕著に高速であった。
• 5分割交差検証の各fold間で予測の分散が小さく（図4g）、小さなトレーニングデータでも過学習が最小限に抑えられていることを示した。
• 拡張畳み込みを用いたネットワークは、受容野が小さい非拡張ベースラインより優れた性能を示し、肝臓の誤分類を回避し、特異度を向上させた。