[論文レビュー] Learning Directional Feature Maps for Cardiac MRI Segmentation

Cheng Feng, Cheng Chen+6 more|arXiv (Cornell University)|Jul 22, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用数 10

ひとこと要約

本稿では、心筋MRI画像のセグメンテーションのための新規手法を提案する。クラス間の類似性とクラス内不一致を解消するため、方向特徴マップを学習する。方向フィールド（DF）モジュールを導入し、画素単位の組織境界への方向的関係をモデル化するとともに、特徴の補正と統合（FRF）モジュールを用いてセグメンテーション特徴を精緻化する。ACDCおよび自作データセットにおいて、計算コストをほとんど増加させずに最先端の性能を達成した。

ABSTRACT

Cardiac MRI segmentation plays a crucial role in clinical diagnosis for evaluating personalized cardiac performance parameters. Due to the indistinct boundaries and heterogeneous intensity distributions in the cardiac MRI, most existing methods still suffer from two aspects of challenges: inter-class indistinction and intra-class inconsistency. To tackle these two problems, we propose a novel method to exploit the directional feature maps, which can simultaneously strengthen the differences between classes and the similarities within classes. Specifically, we perform cardiac segmentation and learn a direction field pointing away from the nearest cardiac tissue boundary to each pixel via a direction field (DF) module. Based on the learned direction field, we then propose a feature rectification and fusion (FRF) module to improve the original segmentation features, and obtain the final segmentation. The proposed modules are simple yet effective and can be flexibly added to any existing segmentation network without excessively increasing time and space complexity. We evaluate the proposed method on the 2017 MICCAI Automated Cardiac Diagnosis Challenge (ACDC) dataset and a large-scale self-collected dataset, showing good segmentation performance and robust generalization ability of the proposed method.

研究の動機と目的

• 心筋MRI画像のセグメンテーションにおけるクラス間の類似性とクラス内不一致を解消し、心筋構造の正確な輪郭抽出を実現すること。
• 心筋MRIに一般的に見られるぼやけた境界や強度の不均一性に対しても、セグメンテーションのロバスト性を向上させること。
• 計算コストを増加させることなく、既存のU-Netアーキテクチャに統合可能な軽量でプラグアンドプレイ可能なモジュールを開発すること。
• 空間的方向的事前知識を用いた特徴表現の向上により、多様なデータセット間での汎化性能を向上させること。
• ベンチマークとしての心筋MRIセグメンテーションタスクにおいて、最先端の手法を上回る単純で効果的な手法を提供すること。

提案手法

• 方向フィールド（DF）モジュールをエンドツーエンドで学習し、各画素に対して最も近い心筋組織境界からの方向を示すベクトル場を予測する。
• DFモジュールは、特徴マップから方向フィールドを回帰するための学習可能なネットワークヘッドを用い、正解セグメンテーションマスクから得られる監視信号を用いる。
• 特徴の補正と統合（FRF）モジュールは、予測された方向フィールドを用いて、方向に沿った集約により元のセグメンテーション特徴を再重み付け・精緻化する。
• FRFモジュールは、Nステップにわたり微分可能メッセージパッシング機構を用いて方向フィールドに沿った反復的特徴伝搬を実行し、空間的一致性を向上させる。
• DFおよびFRFモジュールはU-Netのエンコーダ・デコーダの直後に挿入され、アーキテクチャの変更を最小限に抑えつつプラグアンドプレイ統合が可能である。
• 全フレームワークは標準的なクロスエントロピー損失とDice損失を用いてエンドツーエンドで学習され、方向フィールドの監視信号は境界からの距離に由来する。

実験結果

リサーチクエスチョン

• RQ1 組織境界から離れる方向を示す方向フィールドを学習することで、心筋MRIにおけるセグメンテーション精度が向上するか？
• RQ2 方向特徴の精緻化を組み込むことで、組織境界付近でのクラス間類似性が低減するか？
• RQ3 複雑なアーキテクチャの再設計を要せず、クラス内不一致を軽減できるか？
• RQ4 ベースラインのU-Netと比較して、本手法は異なるデータセット間でどのように汎化するか？
• RQ5 FRFモジュールにおける最適な伝搬ステップ数は何か？性能と効率のバランスを取るには？

主な発見

• ACDCデータセットでは、本手法が平均Dice係数0.916を達成し、ベースラインのU-Net（0.886）およびnnU-Netなどの最先端手法を大きく上回った。
• 平均ハウスドルフ距離はU-Netの23.009 mmから本手法では6.693 mmに低下し、境界の局所化精度が優れていることを示した。
• 自作データセットでは、平均Diceが0.903から0.906に向上し、平均ハウスドルフ距離は3.155 mmから2.957 mmに減少した。
• クロスデータセット評価では、ACDCから自作データセットへの転送において、平均Diceが0.832から0.841に向上し、優れた汎化性能を示した。
• アブレーション実験では、FRFモジュールにおける伝搬ステップ数N=5が最良の性能を示し、Diceが0.916、ハウスドルフ距離が6.693 mmであった。
• ACDCリーダーボードでは順位3位という競争力のある結果を達成し、3D U-Net やグリッドベースのCNNと比較して、シンプルさにもかかわらず優れた性能を示した。