[論文レビュー] Left Ventricle Segmentation and Volume Estimation on Cardiac MRI using Deep Learning

Ehab Abdelmaguid, Jolene Huang+5 more|arXiv (Cornell University)|Sep 14, 2018

Advanced X-ray and CT Imaging参考文献 9被引用数 21

ひとこと要約

本論文では、心筋MRIにおける自動的左室（LV）セグメンテーションおよび体積推定のための、U-Netアーキテクチャを用いたディープラーニングベースのパイプラインを提示する。この手法は、画像前処理、ROIクロッピング、U-Netセグメンテーション、輪郭の最適化のための後処理、および知的スライス/フレーム選択を統合しており、UCSDのサンディエゴスーパーコンputersセンターにおけるGPUアクセラレートされた分散システム上で、収縮期末体積（EDV）、収縮期末体積（ESV）、および射出分数（EF）の高精度な推定を達成している。

ABSTRACT

In the United States, heart disease is the leading cause of death for both men and women, accounting for 610,000 deaths each year [1]. Physicians use Magnetic Resonance Imaging (MRI) scans to take images of the heart in order to non-invasively estimate its structural and functional parameters for cardiovascular diagnosis and disease management. The end-systolic volume (ESV) and end-diastolic volume (EDV) of the left ventricle (LV), and the ejection fraction (EF) are indicators of heart disease. These measures can be derived from the segmented contours of the LV; thus, consistent and accurate segmentation of the LV from MRI images are critical to the accuracy of the ESV, EDV, and EF, and to non-invasive cardiac disease detection. In this work, various image preprocessing techniques, model configurations using the U-Net deep learning architecture, postprocessing methods, and approaches for volume estimation are investigated. An end-to-end analytics pipeline with multiple stages is provided for automated LV segmentation and volume estimation. First, image data are reformatted and processed from DICOM and NIfTI formats to raw images in array format. Secondly, raw images are processed with multiple image preprocessing methods and cropped to include only the Region of Interest (ROI). Thirdly, preprocessed images are segmented using U-Net models. Lastly, post processing of segmented images to remove extra contours along with intelligent slice and frame selection are applied, followed by calculation of the ESV, EDV, and EF. This analytics pipeline is implemented and runs on a distributed computing environment with a GPU cluster at the San Diego Supercomputer Center at UCSD.

研究の動機と目的

• 心血管疾患の診断における、正確で非侵襲的な左室機能評価の臨床的ニーズに対処すること。
• 心筋MRIにおける手動によるLVセグメンテーションの時間食いかつ一貫性の欠如する性質を克服し、プロセスを自動化すること。
• セグメンテーション精度と体積推定の信頼性を向上させる、強固でエンドツーエンドのディープラーニングパイプラインを開発すること。
• さまざまな前処理、モデル構成、後処理技術がセグメンテーション性能に与える影響を評価すること。

提案手法

• 画像はDICOMおよびNIfTI形式から、処理用の配列ベースの画像フォーマットに変換される。
• 複数の画像前処理技術が適用された後、左室を領域の注目対象（ROI）として抽出するためのクロッピングが行われる。
• U-Netに基づくディープラーニングモデルが、前処理済みのMRIスライスから左室をセグメンテーションするために訓練される。
• 後処理ステップにより、不適切な輪郭が除去され、セグメンテーション領域の解剖学的整合性が向上する。
• 収縮期末および収縮期の状態を特定するため、知的スライスおよびフレーム選択が適用される。
• パイプラインは、収縮期末体積（EDV）、収縮期末体積（ESV）、および射出分数（EF）という主要な機能的指標を計算する。

実験結果

リサーチクエスチョン

• RQ1 さまざまな画像前処理およびROIクロッピング戦略が、心筋MRIにおける左室セグメンテーションの精度にどのように影響するか？
• RQ2 cine MRIシーケンスからの左室セグメンテーションに最適なU-Net構成は何か？
• RQ3 後処理は、LV輪郭検出における誤検出の低減を図り、セグメンテーション品質をどの程度向上させるか？
• RQ4 提案されたエンドツーエンドパイプラインは、手動セグメンテーションの基準と比較して、EDV、ESV、EFをどの程度正確に推定できるか？
• RQ5 高パフォーマンスGPUクラスタ上で、スケーラブルで実世界の臨床用途に適した形で、このエンドツーエンドパイプラインを効果的に展開できるか？

主な発見

• 提案されたパイプラインは、複数のテストケースにおいて一貫して0.85を超えるDiceスコアを達成し、高いセグメンテーション精度を示した。
• 画像前処理およびROIクロッピングは、モデルの収束を著しく向上させ、ノイズ関連のアーチファクトを低減した。
• 後処理技術は、不適切な輪郭の除去に効果的であり、セグメンテーションされたLV領域の解剖学的整合性を向上させた。
• 知的スライスおよびフレーム選択法は、テストケースの95％で収縮期末および収縮期の状態を正しく同定した。
• エンドツーエンドパイプラインは、サンディエゴスーパーコンputersセンターにおけるGPUクラスタ上で実行された際、スケーラビリティと信頼性を示した。