[論文レビュー] Fully Automated Segmentation of the Left Ventricle in Magnetic Resonance Images.

Zihao Wang, Zhenzhou Wang|arXiv (Cornell University)|Jul 21, 2020

Medical Image Segmentation Techniques参考文献 32被引用数 7

ひとこと要約

本稿では、勾配差分布（SDD）しきい値選択を用いた、心筋マヒリス画像における完全自動左室セグメンテーション手法を提案する。ACDCテストセットにおいて95.44%のDICEスコアを達成し、2つの最先端のCNNモデル（90.28%および87.13%）の再現結果を上回り、公表済みのベンチマークをも上回った。この手法は頑健で再現可能であり、MATLABでオープンソース化されている。

ABSTRACT

Automatic and robust segmentation of the left ventricle (LV) in magnetic resonance images (MRI) has remained challenging for many decades. With the great success of deep learning in object detection and classification, the research focus of LV segmentation has changed to convolutional neural network (CNN) in recent years. However, LV segmentation is a pixel-level classification problem and its categories are intractable compared to object detection and classification. Although lots of CNN based methods have been proposed for LV segmentation, no robust and reproducible results are achieved yet. In this paper, we try to reproduce the CNN based LV segmentation methods with their disclosed codes and trained CNN models. Not surprisingly, the reproduced results are significantly worse than their claimed accuracies. We also proposed a fully automated LV segmentation method based on slope difference distribution (SDD) threshold selection to compare with the reproduced CNN methods. The proposed method achieved 95.44% DICE score on the test set of automated cardiac diagnosis challenge (ACDC) while the two compared CNN methods achieved 90.28% and 87.13% DICE scores. Our achieved accuracy is also higher than the best accuracy reported in the published literatures. The MATLAB codes of our proposed method are freely available on line.

研究の動機と目的

• 心筋マヒリス画像における左室（LV）セグメンテーションの、堅牢で再現可能な課題を解決すること。
• 報告された深層学習ベースのLVセグメンテーション手法が、公開されたモデルとコードを用いて再実装した際に、なぜその報告された性能を再現できないかを調査すること。
• 完全自動的で再現可能かつ高精度なLVセグメンテーション手法を開発し、深層学習手法の代替手段としての信頼性を確保すること。
• ACDCデータセットにおいて、既存のCNNベースの手法および公表済みの文献結果を上回るセグメンテーション精度を達成すること。

提案手法

• 本手法は、左室の内膜および外膜境界を自動的に特定するために、勾配差分布（SDD）しきい値選択を採用する。
• SDD解析は、左室壁を横断する強度プロファイルに適用され、血液腔、内膜、心筋の間の特徴的な遷移を検出する。
• 勾配に基づく勾配差を用いて、手動の初期化やモデルのファインチューニングを必要とせず、最適なしきい値を特定する。
• 本手法は完全自動的であり、ユーザー入力や事前学習済みの深層学習モデルを一切必要としない。
• 短軸断層画像における強度分布のパターンを活用することで、多様な被験者スキャンにおいて一貫したセグメンテーションを実現する。
• SDDベースの手法のMATLABコードは、再現可能性およびコミュニティ利用を目的として公開されている。

実験結果

リサーチクエスチョン

• RQ1 多くの深層学習ベースのLVセグメンテーション手法が、公開されたモデルとコードを用いて再実装した際に、なぜ報告された性能を再現できないのか？
• RQ2 深層学習を用いない強度ベースの手法が、ACDCデータセットにおいて最先端のCNNよりも優れたセグメンテーション精度を達成できるか？
• RQ3 SDDしきい値処理手法は、モデルの再トレーニングを必要とせずに、多様な心筋マヒリススキャンにわたって頑健で汎用性があるか？
• RQ4 DICEスコアという観点から、再現されたCNNモデルおよび公表済みの文献結果と比較して、本手法は定量的にどのように評価されるか？
• RQ5 完全自動的で学習を必要としない手法が、LVセグメンテーションにおいて学習ベースの手法を上回ることができるか？

主な発見

• 提案されたSDDベースの手法は、ACDCテストセットで95.44%のDICEスコアを達成し、2つの再現されたCNNモデル（90.28%および87.13%）を顕著に上回った。
• SDD手法は、ACDCデータセットにおけるLVセグメンテーションの公表済み最高精度を上回った。
• 再現されたCNNモデルは一貫して、元の報告結果よりも性能が低く、深層学習ベースのLVセグメンテーションにおける再現性の低さが示された。
• SDD手法は完全自動的であり、ハイパーパramータチューニングやモデルファインチューニングを一切必要とせず、計算効率も高い。
• SDD手法のMATLAB実装は公開されており、完全な再現可能性およびコミュニティによる採用を可能にしている。
• 結果から、非深層学習の強度ベース手法が、現在のCNNベースのアプローチと比較して、より優れた性能と信頼性を達成できる可能性が示された。