[論文レビュー] Human-level CMR image analysis with deep fully convolutional networks.

Wenjia Bai, Matthew Sinclair+21 more|arXiv (Cornell University)|Oct 25, 2017

Medical Image Segmentation Techniques被引用数 33

ひとこと要約

本論文では、心臓磁気共鳴（CMR）画像の自動的で人間水準の分析を実現するための深層畳み込みニューラルネットワーク（FCN）を提示する。93,500枚のピクセル単位でアノテートされた画像を含む4,875例の大型データセットで学習されたモデルは、心室腔積算、射出分数、心筋質量の測定において、専門放射線科医と同等の性能を達成している。

ABSTRACT

Cardiovascular magnetic resonance (CMR) imaging is a standard imaging modality for assessing cardiovascular diseases (CVDs), the leading cause of death globally. CMR enables accurate quantification of the cardiac chamber volume, ejection fraction and myocardial mass, providing a wealth of information for sensitive and specific diagnosis and monitoring of CVDs. However, for years, clinicians have been relying on manual approaches for CMR image analysis, which is time consuming and prone to subjective errors. It is a major clinical challenge to automatically derive quantitative and clinically relevant information from CMR images. Deep neural networks have shown a great potential in image pattern recognition and segmentation for a variety of tasks. Here we demonstrate an automated analysis method for CMR images, which is based on a fully convolutional network (FCN). The network is trained and evaluated on a dataset of unprecedented size, consisting of 4,875 subjects with 93,500 pixelwise annotated images, which is by far the largest annotated CMR dataset. By combining FCN with a large-scale annotated dataset, we show for the first time that an automated method achieves a performance on par with human experts in analysing CMR images and deriving clinical measures. We anticipate this to be a starting point for automated and comprehensive CMR analysis with human-level performance, facilitated by machine learning. It is an important advance on the pathway towards computer-assisted CVD assessment.

研究の動機と目的

• CMR画像の手作業による分析が時間的に長く、主観的であるという臨床的課題に対処すること。
• 人間の専門家と同等の診断的正確性を達成する自動化された手法を開発すること。
• 深層学習を活用して、CMRスキャンにおける心臓構造の強固なピクセル単位のセグメンテーションを実現すること。
• 大規模な完全畳み込みネットワークが、臨床的意義を持つ医療画像解析に実現可能であることを示すこと。
• 機械学習を用いたコンピュータ支援で包括的なCMR評価の基盤を確立すること。

提案手法

• 完全畳み込みネットワーク（FCN）を用いて、CMR画像における心臓構造のエンドツーエンド、ピクセル単位のセグメンテーションを実行する。
• 4,875例の大型データセット（これまでで最大の規模）を用い、93,500枚のピクセル単位でアノテートされたCMR画像を含む。
• FCNアーキテクチャにより、画像全体にわたる密度予測が可能となり、正確な解剖学的局所化を維持する。
• セグメンテーションタスクに適したエンドツーエンド学習を可能にする損失関数を用いてネットワークを最適化する。
• 標準的な心臓セグメンテーションおよび臨床的定量評価の指標を用いて、手法を評価する。
• 臨床的意義を検証するため、専門家レベルの人の読影結果と比較して性能をベンチマークする。

実験結果

リサーチクエスチョン

• RQ1 深層完全畳み込みネットワークは、CMR画像解析において人間水準の性能を達成できるか？
• RQ2 大規模でピクセル単位でアノテートされたデータセットは、自動CMR解析の正確性を顕著に向上させるか？
• RQ3 FCNベースの手法は、射出分数や心筋質量といった臨床的に重要な指標を、CMR画像から信頼性高く導出できるか？
• RQ4 自動化された手法は、定量的心臓評価において専門家レベルの人間読影者と比較して、どのように性能を示すか？
• RQ5 深層学習モデルは、高い信頼性を備えた臨床的水準のCMR画像解析に効果的にスケーリング可能か？

主な発見

• 提案されたFCNモデルは、CMR画像の解析および主要な臨床的指標の導出において、人間の専門家と同等の性能を達成している。
• モデルは、心機能の全サイクルにわたって左室内膜面および外膜面のセグメンテーションにおいて高い正確性を示している。
• 93,500枚のピクセル単位でアノテートされた画像を含む大規模データセットの使用により、モデルの一般化能力および耐性が顕著に向上した。
• 手法により、心室腔積算、射出分数、心筋質量の自動的で再現性の高い定量評価が可能になった。
• 結果は、自動CMR解析分野における画期的な出来事であり、深層学習モデルが初めてこの分野で人間水準の性能に到達したことを示している。
• 本アプローチは、臨床現場におけるスケーラブルでコンピュータ支援型の心血管疾患評価の道を切り開くものである。