[論文レビュー] Learning-based Regularization for Cardiac Strain Analysis with Ability for Domain Adaptation

Allen Lu, Nripesh Parajuli+11 more|arXiv (Cornell University)|Jul 12, 2018

Cardiac Valve Diseases and Treatments参考文献 25被引用数 5

ひとこと要約

本論文は、生物学的力学的制約とドメイン適応を統合する、3次元＋時間の心エコー（4DE）心筋応力解析の学習ベースの正則化フレームワークを提案する。教師ありニューラルネットワークを用いて合成データを処理し、生物学的力学的正則化を施した非教師ありオートエンコーダーを用いて動き推定の精度を向上させ、死亡後心臓の手作業による描画領域と予測された応力マップの間で良好な一致を達成した。

ABSTRACT

Reliable motion estimation and strain analysis using 3D+time echocardiography (4DE) for localization and characterization of myocardial injury is valuable for early detection and targeted interventions. However, motion estimation is difficult due to the low-SNR that stems from the inherent image properties of 4DE, and intelligent regularization is critical for producing reliable motion estimates. In this work, we incorporated the notion of domain adaptation into a supervised neural network regularization framework. We first propose an unsupervised autoencoder network with biomechanical constraints for learning a latent representation that is shown to have more physiologically plausible displacements. We extended this framework to include a supervised loss term on synthetic data and showed the effects of biomechanical constraints on the network's ability for domain adaptation. We validated both the autoencoder and semi-supervised regularization method on in vivo data with implanted sonomicrometers. Finally, we showed the ability of our semi-supervised learning regularization approach to identify infarcted regions using estimated regional strain maps with good agreement to manually traced infarct regions from postmortem excised hearts.

研究の動機と目的

• 低SNRの4DE画像における動き推定と応力解析の信頼性を向上させること。低SNRの4DE画像はノイズやアーチファクトに起因して歪みやすい。
• 心筋動き追跡において実世界のラベル付きデータが限られているという課題に対処し、合成データから実in-vivoデータへのドメイン適応を可能にすること。
• 生物学的力学的制約を用いて、生理学的に妥当な心筋変位を生成する正則化手法を開発すること。
• 推定された応力マップが死亡後マッピングによる真値と一致することを検証し、壊死領域の同定能力を確認すること。
• ストレス状態と安静状態の両方で頑健な応力解析を可能にし、虚血性心筋領域の検出を向上させること。

提案手法

• 生理学的に妥当な心筋変位の潜在表現を学習するために、生物学的力学的制約を施した非教師ありオートエンコーダーを提案する。
• 合成4DEデータに教師あり損失を追加することで、実in-vivoデータへの一般化を向上させる半教師あり学習フレームワークを導入する。
• オートエンコーダーの学習中に、滑らかさや体積保存などの生物学的力学的制約を適用し、変位場を正則化する。
• 非剛性登録にBスプライン変換と相互情報量を類似度指標として用い、密な変位場を推定する。
• 安静状態の末期拡張期からストレス状態の画像への変換を適用し、機能的評価のための差分応力マップを計算する。
• 生体内データにインプラントされた超音波マイクロメータを用いて結果を検証し、死亡後摘出心臓の手作業による壊死領域と応力マップを比較する。

実験結果

リサーチクエスチョン

• RQ1 従来のブロックマッチングや非剛性登録と比較して、深層学習ベースの正則化フレームワークは、低SNRの4DE画像における動き推定精度を向上させることができるか？
• RQ2 非教師ありオートエンコーダーに組み込まれた生物学的力学的制約は、学習された変位場の生理学的妥当性をどの程度向上させるか？
• RQ3 半教師あり学習アプローチは、合成データから実in-vivo 4DEデータへの知識転送をどの程度効果的に実現できるか？
• RQ4 予測された応力マップは、死亡後ゴールドスタンダードとしてのトレーシングと比較して、壊死領域を正確に同定できるか？
• RQ5 安静状態のみの解析と比較して、ストレス状態と安静状態の両方における差分応力解析は、虚血領域の検出をどの程度向上させるか？

主な発見

• 半教師あり学習アプローチにより、ストレス下での壊死領域の中央ピーク応力が18.3%、非壊死領域が35.2%に達し、虚血領域を示す応力差の顕著な増加が確認された。
• 差分応力マップは機能的変化の可視化が向上し、壊死領域の平均差分応力が2.8%に達し、収縮予備能の低下を示した。
• 予測された応力マップと死亡後摘出心臓の手作業によるトレーシング領域との間に強い一致を示し、臨床的妥当性が裏付けられた。
• オートエンコーダーに生物学的力学的制約を組み込むことで、変位場の生理学的妥当性が向上し、ノイズ低減と空間的一致性の向上が達成された。
• マイクロメータを装着した生体内データにおいても、動き追跡と正則化の精度が信頼できる結果を示した。
• 本研究は、現代の機械学習における回帰問題にドメイン適応を適用した最初の試みであり、合成データから実データへの効果的な転送を可能にした。