[論文レビュー] Label-free segmentation from cardiac ultrasound using self-supervised learning

Danielle L. Ferreira, Lau, Connor+2 more|arXiv (Cornell University)|Oct 10, 2022

Cardiovascular Function and Risk Factors被引用数 6

ひとこと要約

本論文は、臨床的ドメイン知識と93,000枚のエコーカーディオグラムを用いた対照的学習を活用し、ラベルなしで心臓腔のセグメンテーションを実現する自己教師ありディープラーニングパイプラインを提示する。Diceスコア0.89という高い正確性を達成し、専門家による測定と同等の臨床的妥当性を示し、バイオメトリクスにおいてr²値0.56～0.84の高い相関を示し、心エコーMRIとも強い相関を示しており、手動アノテーションを必要としないスケーラブルな手法であることが示された。

ABSTRACT

Segmentation and measurement of cardiac chambers is critical in cardiac ultrasound but is laborious and poorly reproducible. Neural networks can assist, but supervised approaches require the same laborious manual annotations. We built a pipeline for self-supervised (no manual labels) segmentation combining computer vision, clinical domain knowledge, and deep learning. We trained on 450 echocardiograms (93,000 images) and tested on 8,393 echocardiograms (4,476,266 images; mean 61 years, 51% female), using the resulting segmentations to calculate biometrics. We also tested against external images from an additional 10,030 patients with available manual tracings of the left ventricle. r2 between clinically measured and pipeline-predicted measurements were similar to reported inter-clinician variation and comparable to supervised learning across several different measurements (r2 0.56-0.84). Average accuracy for detecting abnormal chamber size and function was 0.85 (range 0.71-0.97) compared to clinical measurements. A subset of test echocardiograms (n=553) had corresponding cardiac MRIs, where MRI is the gold standard. Correlation between pipeline and MRI measurements was similar to that between clinical echocardiogram and MRI. Finally, the pipeline accurately segments the left ventricle with an average Dice score of 0.89 (95% CI [0.89]) in the external, manually labeled dataset. Our results demonstrate a manual-label free, clinically valid, and highly scalable method for segmentation from ultrasound, a noisy but globally important imaging modality.

研究の動機と目的

• 心エコー画像セグメンテーションにおける人的に負担が大きい手動アノテーションの必要性を排除すること。
• 自己教師あり学習を用いたスケーラブルで臨床的に妥当な左心室セグメンテーション手法の開発。
• パイプラインの検証を臨床的測定値、外部の手動トレーシングデータセット、ゴールドスタンダードの心エコーMRIと比較すること。
• アノテーションコストを回避しながらも、教師あり手法と同等の性能を維持すること。
• 低リソース環境における自動心エコー画像解析の広範な展開を可能にすること。

提案手法

• 本手法は、93,000枚のラベルなしエコーカーディオグラム上で、U-Netベースのセグメンテーションネットワークを自己教師あり対照的学習フレームワークを用いて事前学習する。
• ドメイン固有のデータオーグメンテーションとして、ビュー固有の変換と空間的一致性制約を適用し、ラベルなしデータからの特徴学習を向上させる。
• 対照的損失関数により、ポジティブペア（例：回転またはクロップされたバージョン）同士の埋め込みを類似させ、ネガティブペア同士の埋め込みを異なるものにすることを促進する。
• 外部データセットから少量の手動トレーシング画像を用いて、事前学習モデルを微調整し、特定の解剖的変異に適応させる。
• セグメンテーション出力を用いて、射出分数や心腔径などの心臓バイオメトリクスを算出する。
• パイプラインの評価には、Diceスコア、臨床的測定値との相関、および心エコーMRIとの整合性を用いる。

実験結果

リサーチクエスチョン

• RQ1 自己教師あり学習を用いることで、何ら手動アノテーションを伴わずに心エコー画像における心臓腔のセグメンテーションを正確に実現できるか？
• RQ2 自己教師ありパイプラインの性能は、標準的な臨床的測定における臨床医間のばらつきと比べてどの程度の水準にあるか？
• RQ3 このパイプラインのセグメンテーション正確性は、ゴールドスタンダードの心エコーMRI測定値とどの程度一致するか？
• RQ4 本手法は多様な患者集団や画像プロトコルに一般化可能か？
• RQ5 ドメイン固有のデータオーグメンテーションは、低リソースのエコーカーディオグラム環境におけるモデルの一般化性能にどのような影響を与えるか？

主な発見

• 外部の手動ラベル付きデータセットにおいて、パイプラインは平均Diceスコア0.89（95%信頼区間[0.89]）を達成し、高いセグメンテーション正確性を示した。
• パイプラインが予測したバイオメトリクスと臨床的測定値との相関は、r²値が0.56～0.84の範囲にあり、臨床医間のばらつきと同等の水準であった。
• 553例のマッチド心エコーMRIを含むサブセットにおいて、パイプラインとMRI測定値との相関は、臨床的エコーカーディオグラフィとMRIとの相関と同等の水準であった。
• 臨床的基準と比較して、異常な心腔サイズや機能の検出において平均正答率0.85（範囲0.71～0.97）を達成した。
• 本手法は、10,030枚の外部エコーカーディオグラムに手動トレーシングが付与された多様なデータセットにおいても、強力な一般化性能を示した。
• 自己教師ありアプローチにより、手動アノテーションの必要性が排除された一方で、教師ありベースラインと同等の性能を維持した。