[論文レビュー] Medical Image Analysis on Left Atrial LGE MRI for Atrial Fibrillation Studies: A Review

Lei Li, Veronika A. Zimmer+2 more|arXiv (Cornell University)|Jun 18, 2021

Atrial Fibrillation Management and Outcomes参考文献 83被引用数 5

ひとこと要約

このレビューでは、心房細動（AF）の診断と治療を支援するため、遅延ガドリニウム強化MRI（LGE-MRI）における左房（LA）の画像分離、線維化の定量的評価、および焼灼術後のギャップ検出について、深層学習および画像コンピューティング手法を体系的に評価している。データ駆動型アプローチの可能性、特にLA腔および線維化の分析分野においては有望であるが、一般化性能、アノテーションの不足、およびマルチセンターでの再現性に関する重要な課題も明らかにしている。

ABSTRACT

Late gadolinium enhancement magnetic resonance imaging (LGE MRI) is commonly used to visualize and quantify left atrial (LA) scars. The position and extent of scars provide important information of the pathophysiology and progression of atrial fibrillation (AF). Hence, LA scar segmentation and quantification from LGE MRI can be useful in computer-assisted diagnosis and treatment stratification of AF patients. Since manual delineation can be time-consuming and subject to intra- and inter-expert variability, automating this computing is highly desired, which nevertheless is still challenging and under-researched. This paper aims to provide a systematic review on computing methods for LA cavity, wall, scar and ablation gap segmentation and quantification from LGE MRI, and the related literature for AF studies. Specifically, we first summarize AF-related imaging techniques, particularly LGE MRI. Then, we review the methodologies of the four computing tasks in detail, and summarize the validation strategies applied in each task. Finally, the possible future developments are outlined, with a brief survey on the potential clinical applications of the aforementioned methods. The review shows that the research into this topic is still in early stages. Although several methods have been proposed, especially for LA segmentation, there is still large scope for further algorithmic developments due to performance issues related to the high variability of enhancement appearance and differences in image acquisition.

研究の動機と目的

• 心房細動（AF）研究における左房（LA）LGE-MRIの医療画像コンピューティング技術について包括的なレビューを提供すること。
• LA腔分離、LA壁分離と厚さ測定、線維化分離と定量的評価、焼灼術ギャップの局在化という4つの主要なタスクについて、既存手法の分析と比較を行うこと。
• 各タスクにおけるバリデーション戦略および公開データセット上での最先端性能を評価すること。
• 異なる施設、スキャナーや取得プロトコル間でのアルゴリズムの一般化に関する主な課題を同定すること。
• 自動LGE-MRI解析の今後の研究方向性と、AF管理における臨床的応用の可能性を提示すること。

提案手法

• 2010年から2023年までのLGE-MRIコンピューティングに関する査読付き論文を対象とした体系的レビュー。主に分離と定量的評価タスクに焦点を当てる。
• タスク別に手法を分類：(1) LA腔、(2) LA壁および厚さ、(3) 線維化、(4) 焼灼術ギャップ分離。深層学習およびハイブリッド手法に重点を置く。
• バリデーション戦略の評価。手動による輪郭指定との比較、Diceスコア、感度・特異度指標を含む、公開データセット上での評価。
• マルチセンターおよびマルチスキャナーデータを用いたドメイン一般化の問題の分析。コントラストおよびラベルのばらつきを強調。
• データ不足に対処するための先進的手法（例：教師なしドメイン適応、少数ショット学習、スパarsなアノテーション）の探求。
• 空間的関係（例：壁厚さと線維化の全層性）を統合したタスク間の共同最適化の可能性を検討。

実験結果

リサーチクエスチョン

• RQ1 AF研究におけるLGE-MRIにおける左房構造の自動分離および定量的評価のための現在の最先端手法は何か？
• RQ2 特にマルチセンターおよびマルチスキャナーモード下で、LGE-MRIコンピューティングタスクごとに性能指標やバリデーション戦略はどのように変化するか？
• RQ3 プロトコルおよび外観のばらつきにより、異なる画像診断施設やスキャナーメーカー間で深層学習モデルの一般化が困難となる主な要因は何か？
• RQ4 データ効率の良い学習手法（例：少数ショット、自己教師あり、ドメイン適応）は、限られた手動アノテーション付きLGE-MRIデータでモデルの頑健性をどの程度向上できるか？
• RQ5 関連するタスク（例：壁厚さと線維化の全層性）を統合的にモデリングすることで、診断精度と臨床的有用性はどのように向上するか？

主な発見

• 深層学習手法はLA腔および線維化分離において優れた性能を示しており、公開ベンチマーク上では最先端のDiceスコアが0.85を超えることが確認された。
• LA壁分離および厚さ測定は依然として未開発に近く、薄い壁の複雑さと解剖学的ばらつきのため、手法の進展が限定的である。
• 肺静脈の形態に大きなばらつきがあり、線維化分離の誤差に敏感であるため、焼灼術ギャップの定量的評価は特に困難である。
• 標準化されていないLGE-MRI撮影プロトコルの欠如により、施設間およびスキャナ間で顕著な性能低下が観察され、ドメイン一般化が著しく劣化していることが示された。
• 単一施設データで学習した現在のモデルは外部データセットに対して一般化性に欠けていることが明らかであり、マルチセンターでのバリデーションおよびドメイン一般化技術の導入が不可欠である。
• スパースアノテーションおよび教師なしドメイン適応は、大規模な手動ラベリングに依存するのを減らす有望な戦略であるが、LA LGE-MRI解析分野ではまだ十分に検討されていない。