[論文レビュー] Functional Segmentation through Dynamic Mode Decomposition: Automatic Quantification of Kidney Function in DCE-MRI Images

Santosh Tirunagari, Norman Poh+4 more|arXiv (Cornell University)|May 24, 2019

Advanced MRI Techniques and Applications参考文献 32被引用数 4

ひとこと要約

本論文は、腎臓のDCE-MRIにおける機能的セグメンテーションのための新規で完全自動の手法を提案する。動的モード分解（DMD）を用いて、手動によるROIの輪郭指定を置き換える。動的MRI系列を支配的な空間時間的モードに分解することで、DMDは腎臓領域を最も整合性のある強度変動（モード-2）として分離する。その後、しきい値処理と連結成分解析を実施する。本手法は平均Jaccard類似係数0.87を達成し、手動の専門家によるアノテーションやボックス型アプローチを上回る性能を示した。

ABSTRACT

Quantification of kidney function in Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) requires careful segmentation of the renal region of interest (ROI). Traditionally, human experts are required to manually delineate the kidney ROI across multiple images in the dynamic sequence. This approach is costly, time-consuming and labour intensive, and therefore acts to limit patient throughout and acts as one of the factors limiting the wider adoption of DCR-MRI in clinical practice. Therefore, to address this issue, we present the first use of Dynamic Mode Decomposition (DMD) as a basis for automatic segmentation of a dynamic sequence, in this case, kidney ROIs in DCE-MRI. Using DMD coupled combined with thresholding and connected component analysis is first validated on synthetically generated data with known ground-truth, and then applied to ten healthy volunteers' DCE-MRI datasets. We find that the segmentation result obtained from our proposed DMD framework is comparable to that of expert observers and very significantly better than that of an a-priori bounding box segmentation. Our result gives a mean Jaccard coefficient of 0.87, compared to mean scores of 0.85, 0.88 and 0.87 produced from three independent manual annotations. This represents the first use of DMD as a robust automatic data-driven segmentation approach without requiring any human intervention. This is a viable, efficient alternative approach to current manual methods of isolation of kidney function in DCE-MRI.

研究の動機と目的

• DCE-MRIにおける腎臓ROIの手動セグメンテーションの高コストと時間消費を是正するため。
• 人為的介入を排除する完全自動でデータ駆動型のセグメンテーション手法を開発するため。
• DMDが動的対比増強MRI系列から機能的腎臓領域を堅牢に抽出できるかを評価するため。
• DMDベースの手法の性能を、専門家による手動セグメンテーションおよび事前知識に基づくボックス型手法と比較するため。

提案手法

• 動的MRI系列全体に動的モード分解（DMD）を適用し、対比剤投与に伴う組織応答を表す支配的空間時間的モードを抽出する。
• 2番目のDMDモード（モード-2）は、灌注に起因する強度変動が強く因果的につながっているため、一貫して腎臓領域に対応する。
• モード-2再構成に単純なしきい値処理を適用してバイナリマスクを生成する。
• 連結成分解析を用いて最大の連結領域を選択し、最終的な腎臓ROIとする。
• 本手法は、既知の真値を有する合成的に生成されたDCE-MRIデータを用いて最初に検証された。
• 専門家によるアノテーションおよび真値との比較において、Jaccard類似係数（JSC）および平均二乗誤差（MSE）を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 DMDは、人為的介入なしにDCE-MRI系列から機能的腎臓領域を効果的に抽出できるか？
• RQ2 Jaccard類似係数の観点から、DMDベースのセグメンテーション手法は専門家の手動輪郭指定と比べてどのように性能を発揮するか？
• RQ3 DMDフレームワークは、単純な事前知識に基づくボックス型セグメンテーションアプローチを上回るか？
• RQ4 DMDは、動的MRI系列において灌注関連の強度ダイナミクスを低ランク表現として信頼性高く捉えることができるか？

主な発見

• 提案されたDMDフレームワークは、10名の健常被験者データセットに対して平均Jaccard類似係数（JSC）0.867を達成し、専門家平均JSC 0.855を上回った。
• 個別のデータセットにおいて、DMD手法はそれぞれデータセット4、8、9でJSC 0.915、0.895、0.883を達成し、これらのケースで専門家を上回った。
• DMD手法の平均JSCは0.87であり、専門家平均JSC 0.874と同等であり、ボックス型手法（平均JSC 0.357）を著しく上回った。
• 平均二乗誤差（MSE）評価では、DMDベースの腎機能定量評価が、専門家アノテーションおよびボックス型手法よりも真値に一貫して近いことが示された。
• DMDフレームワークは、すべての10データセットにおいて腎臓領域をモード-2として明確に分離し、灌注関連ダイナミクスを捉える堅牢性を示した。
• 本手法は高い再現性を達成し、被験者間のばらつきを排除し、手動セグメンテーションの信頼できる代替手段を提供した。