[論文レビュー] Left Ventricle Segmentation via Optical-Flow-Net from Short-axis Cine MRI: Preserving the Temporal Coherence of Cardiac Motion

Wenjun Yan, Yuanyuan Wang+3 more|arXiv (Cornell University)|Oct 20, 2018

Medical Image Segmentation Techniques参考文献 6被引用数 3

ひとこと要約

本論文は、短縮軸切開MRIからの左室（LV）セグメンテーションにおける時間的整合性を保つために、光学フロー推定を統合したU-Netベースの深層学習フレームワークを提案する。特徴レベルでの光学フロー特徴の統合により、セグメンテーションの精度と時間的整合性が向上し、Cardiac Atlasデータセットにおいて95%のDiceスコアおよび0.9ピクセルの平均垂直距離を達成した。これは標準U-Netを上回る結果である。

ABSTRACT

Quantitative assessment of left ventricle (LV) function from cine MRI has significant diagnostic and prognostic value for cardiovascular disease patients. The temporal movement of LV provides essential information on the contracting/relaxing pattern of heart, which is keenly evaluated by clinical experts in clinical practice. Inspired by the expert way of viewing Cine MRI, we propose a new CNN module that is able to incorporate the temporal information into LV segmentation from cine MRI. In the proposed CNN, the optical flow (OF) between neighboring frames is integrated and aggregated at feature level, such that temporal coherence in cardiac motion can be taken into account during segmentation. The proposed module is integrated into the U-net architecture without need of additional training. Furthermore, dilated convolution is introduced to improve the spatial accuracy of segmentation. Trained and tested on the Cardiac Atlas database, the proposed network resulted in a Dice index of 95% and an average perpendicular distance of 0.9 pixels for the middle LV contour, significantly outperforming the original U-net that processes each frame individually. Notably, the proposed method improved the temporal coherence of LV segmentation results, especially at the LV apex and base where the cardiac motion is difficult to follow.

研究の動機と目的

• 心動脈運動の時間的ダイナミクスを活用することで、cine MRIにおける左室セグメンテーションの精度を向上させること。
• フレーム独立型のセグメンテーション手法が心動脈運動における時間的整合性を無視するという限界を是正すること。
• 運動が複雑で追跡が困難な左室の心尖部および心底部におけるセグメンテーションのロバスト性を向上させること。
• 追加のトレーニングやアーキテクチャの大幅な見直しを要せず、U-Netアーキテクチャに光学フローを統合すること。
• 空間分解能の向上を図るため、畳み込みの感受野を拡大するための拡張畳み込み（dilated convolutions）を用いて空間的精度を向上させること。

提案手法

• 本手法は、隣接するcine MRIフレーム間の光学フローを計算する新しいCNNモジュールを導入し、時間的運動パターンを捉える。
• 光学フロー特徴は、U-Netのエンコーダ-デコーダアーキテクチャ内の特徴レベルで集約され、時間的文脈を用いてセグメンテーションをガイドする。
• 光学フローモジュールは微分可能であり、エンドツーエンドに統合されており、フローとセグメンテーションの共同最適化が可能である。
• デコーダーに拡張畳み込みが適用され、感受野を拡大し、セグメンテーションマスクの空間分解能を向上させる。
• 標準的な交差エントロピー損失にDiceベースの最適化を組み合わせ、Cardiac Atlasデータベース上でエンドツーエンドにトレーニングされる。
• 推論には追加のトレーニングを必要とせず、標準U-Netにプラグインモジュールとして動作する。

実験結果

リサーチクエスチョン

• RQ1 光学フロー統合により、cine MRIからの左室セグメンテーションにおける時間的整合性が向上するか？
• RQ2 フレーム間の運動ダイナミクスを組み込むことで、フレーム単位処理に比べて高いセグメンテーション精度が得られるか？
• RQ3 本手法は、左室の心尖部や心底部といった困難な解剖学的領域でどのように性能を発揮するか？
• RQ4 モデルの複雑さを増さず、追加のトレーニングを要せず、時間的整合性を維持できるか？
• RQ5 拡張畳み込みは、左室輪郭検出における空間的精度をどの程度向上させるか？

主な発見

• 提案手法は、左室中央部の輪郭で95%のDiceスコアを達成し、標準U-Netを顕著に上回った。
• 平均垂直距離は0.9ピクセルにまで低減され、輪郭の高精度を示した。
• 特に運動が複雑な左室の心尖部および心底部において、セグメンテーション結果の時間的整合性が顕著に向上した。
• 追加のトレーニングやアーキテクチャの変更なしに、高い性能を維持した。
• 特徴レベルでの光学フロー統合により、運動モデリングが向上した一方で、空間的詳細を保持した。
• 拡張畳み込みの使用が、空間分解能および輪郭の精度向上に寄与した。