[論文レビュー] Joint Left Atrial Segmentation and Scar Quantification Based on a DNN with Spatial Encoding and Shape Attention

Lei Li, Xin Weng+2 more|arXiv (Cornell University)|Jun 23, 2020

Atrial Fibrillation Management and Outcomes参考文献 12被引用数 4

ひとこと要約

本論文は、遅延ガドリニウム強化MRIにおける左房（LA）の同時セグメンテーションと線維化瘢痕の定量を可能にするエンドツーエンドのディープラーニングフレームワーク、MTL-SESAを提案する。符号付き距離変換マップを用いた空間符号化損失と、表面投影による形状アテンションを統合することで、セグメンテーションのノイズを低減し、小さな離散的瘢痕の検出を向上させ、60例の患者スキャンにおいてベースラインおよび最先端の手法を上回る優れた性能を達成した。

ABSTRACT

We propose an end-to-end deep neural network (DNN) which can simultaneously segment the left atrial (LA) cavity and quantify LA scars. The framework incorporates the continuous spatial information of the target by introducing a spatially encoded (SE) loss based on the distance transform map. Compared to conventional binary label based loss, the proposed SE loss can reduce noisy patches in the resulting segmentation, which is commonly seen for deep learning-based methods. To fully utilize the inherent spatial relationship between LA and LA scars, we further propose a shape attention (SA) mechanism through an explicit surface projection to build an end-to-end-trainable model. Specifically, the SA scheme is embedded into a two-task network to perform the joint LA segmentation and scar quantification. Moreover, the proposed method can alleviate the severe class-imbalance problem when detecting small and discrete targets like scars. We evaluated the proposed framework on 60 LGE MRI data from the MICCAI2018 LA challenge. For LA segmentation, the proposed method reduced the mean Hausdorff distance from 36.4 mm to 20.0 mm compared to the 3D basic U-Net using the binary cross-entropy loss. For scar quantification, the method was compared with the results or algorithms reported in the literature and demonstrated better performance.

研究の動機と目的

• ディープラーニングベースの左房（LA）および瘢痕セグメンテーションにおいて、ノイズが多く、外れ値に左右されやすい問題に対処すること。
• 空間的および形状的事前知識を活用することで、特に小さな離散的線維化領域の瘢痕定量の正確性を向上させること。
• 左房セグメンテーションと瘢痕検出を同時に最適化するエンドツーエンドで学習可能なマルチタスクネットワークを構築すること。
• 従来の瘢痕定量手法で一般的な手動初期化や別々の後処理ステップへの依存を低減すること。
• 損失関数に空間的および構造的制約を組み込むことで、瘢痕検出におけるクラス不均衡の影響を軽減すること。

提案手法

• 符号付き距離変換マップ（DTM）に基づく空間符号化（SE）損失を導入し、LAセグメンテーションを正則化することで、境界のぼやけやノイズの多い領域を低減する。
• 距離確率マップを用いて、LAおよび瘢痕予測タスクの両方にSE損失を適用し、予測の空間的一致性を向上させる。
• LA境界を空間マスクとして投影する形状アテンション（SA）機構を採用し、LAと瘢痕の解剖学的関係を明示的にモデル化する。
• 2つのデコーダー（1つはLAセグメンテーション、もう1つは瘢痕定量）を備えたマルチタスク学習（MTL）U-Netアーキテクチャを設計し、エンドツーエンド学習を可能にする。
• 実験ではβ=1として、φ(xi) = -d^β（LA内部）、0（境界上）、d^β（外部）として符号付きDTMを定義する。
• 表面投影戦略を実装してSAモジュールを埋め込み、瘢痕予測がLA壁面に空間的に制約されることを保証する。

実験結果

リサーチクエスチョン

• RQ1 距離変換マップに基づく空間符号化損失は、ノイズが多く、接続性に欠ける領域を低減することで、ディープラーニングベースの左房セグメンテーションの品質を向上させることができるか？
• RQ2 表面投影による形状アテンションを統合することで、小さな離散的左房瘢痕の検出がどのように向上するか？
• RQ3 SEおよびSA損失を組み込んだ統合的マルチタスク学習フレームワークは、従来の損失関数（例：BCE、Dice）に比べ、LAセグメンテーションおよび瘢痕定量の両面で優れた性能を示すか？
• RQ4 提案手法は、ベースラインのディープラーニングアプローチに比べて、瘢痕検出におけるクラス不均衡の影響をどの程度軽減するか？
• RQ5 エンドツーエンドフレームワークは、瘢痕定量における手動初期化や別々の後処理ステップの必要性を排除できるか？

主な発見

• 提案されたMTL-SESA手法により、LAセグメンテーションの平均ハウスドルフ距離が、BCE損失を用いた3D U-Netの36.4 mmから20.0 mmに低下し、境界の正確性が顕著に向上した。
• SE損失により、ノイズの多いパッチや外れ値が低減され、Diceスコアが同等であっても、ハウスドルフ距離に統計的に有意な改善（p < 0.001）が得られた。
• 瘢痕定量のDiceスコアは0.867 ± 0.032を達成し、Otsu、MGMM、LearnGC、およびBCEまたはDice損失を用いたU-Netと比較して優れた性能を示した（p ≤ 0.001）。
• SEおよびSA損失の両方を組み込むことで、小さな離散的瘢痕の検出が向上し、3次元再構築画像で視覚的に確認された。滑らかで解剖学的に妥当な瘢痕マップが得られた。
• インターオブザーバー変動（Dice: 0.891 ± 0.017）と同等の性能を示し、高い信頼性を示した。
• AccuracyおよびG-DiceはSE/SA導入によりわずかに低下したが、Diceおよびハウスドルフ距離の全体的な向上から、本手法の頑健性と臨床的意義が確認された。