[論文レビュー] Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation

Hanchao Yu, Xiaohong Chen+4 more|arXiv (Cornell University)|Jun 28, 2020

Advanced MRI Techniques and Applications参考文献 28被引用数 5

ひとこと要約

本稿では、MRIにおける正確で効率的な心筋運動推定のための深層学習フレームワーク、Motion Pyramid Networks (MPN) を提案する。マルチスケールの運動場を統合し、段階的な運動補正を施すサイクル的テイチャー・スタディオ知識蒸留戦略を採用することで、1フレームあたり26msの推論時間で最先端の性能を達成し、ベースラインモデルや可変的登録法を著しく上回る。

ABSTRACT

Cardiac motion estimation plays a key role in MRI cardiac feature tracking and function assessment such as myocardium strain. In this paper, we propose Motion Pyramid Networks, a novel deep learning-based approach for accurate and efficient cardiac motion estimation. We predict and fuse a pyramid of motion fields from multiple scales of feature representations to generate a more refined motion field. We then use a novel cyclic teacher-student training strategy to make the inference end-to-end and further improve the tracking performance. Our teacher model provides more accurate motion estimation as supervision through progressive motion compensations. Our student model learns from the teacher model to estimate motion in a single step while maintaining accuracy. The teacher-student knowledge distillation is performed in a cyclic way for a further performance boost. Our proposed method outperforms a strong baseline model on two public available clinical datasets significantly, evaluated by a variety of metrics and the inference time. New evaluation metrics are also proposed to represent errors in a clinically meaningful manner.

研究の動機と目的

• cine MRIにおける正確で効率的な心筋運動推定の課題に取り組むこと、特に心筋ストレインなどの臨床的機能評価を目的とする。
• 教師なし深層学習ベースの運動推定における滑らかさ制約の限界と一意でない解の問題を克服すること。
• 知識蒸留を用いて1ステップでの運動推定を可能にすることで、精度を損なわずに推論効率を向上させること。
• 心筋ストレイン評価とより整合性のとれた形で、径方向および円周方向に分解された誤差を含む臨床的に意味のある評価指標を開発すること。

提案手法

• 本手法は、共有エンコーダから得られるマルチスケール特徴ピラミッドを用いて、異なる解像度での運動場を生成し、それらを統合して洗練された運動場を生成する。
• 教師モデルでは段階的な運動補正戦略が適用され、反復的に運動推定を改善することで、大規模な変位に対処し、滑らかさ制約への依存を低減する。
• サイクル的テイチャー・スタディオ蒸留フレームワークが導入され、学生モデルは教師の複数ステップの改善を模倣することで、1ステップで正確な運動を予測できるように学習する。
• 学生モデルは教師の出力を教師信号として用いて訓練され、エンドツーエンドの訓練が可能になり、高速な推論と高い精度を両立する。
• 新規のモーションピラミッドアーキテクチャは、特徴レベルの統合よりも前に各スケールで独立して運動を予測するため、自己回帰的ピラミッドアプローチとは異なる。
• 本フレームワークは汎用性が高く、ApparentFlowモデルに適用されたことで、異なるネットワークアーキテクチャ間でも有効性が示された。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール運動場統合は、cine MRIにおける心筋運動推定の正確性と頑健性を向上させ得るか？
• RQ2 知識蒸留を活用することで、反復的運動補正の性能を維持しつつ、推論を高速化できるか？
• RQ3 段階的な改善を伴うサイクル的トレーニング戦略は、標準的な蒸留を上回る運動推定の正確性を向上させ得るか？
• RQ4 2次元心筋追跡において、径方向と円周方向の運動誤差はどのように異なるか？誤差分解は臨床的関連性を向上させ得るか？
• RQ5 提案手法は、心筋運動推定のための異なる深層学習アーキテクチャにどの程度一般化可能か？

主な発見

• MPNは2つの公的データセットで、強力な単一スケールベースラインおよび従来の可変的登録法を上回り、エンドポイント誤差が低く、Diceスコアが向上した。
• サイクル的知識蒸留戦略（MPN-C）が最高のパフォーマンスを達成し、ACDCデータセットのMYO構造で0.841のDiceスコアを記録し、ベースラインのApparentFlowモデルを上回った。
• 提案手法により、1フレームあたりの推論時間が26msに短縮された。これはFFDベースの登録法の748msと比較して、顕著な効率向上を示している。
• 誤差分解により、径方向追跡が円周方向追跡よりも正確であることが明らかになった。これは、2次元で円形の心筋コントゥアを追跡する難しさを示している。
• 本手法は他のモデルに対しても良好に一般化され、ApparentFlowにサイクル的蒸留と段階的補正を適用することで、性能が向上したことが示された。
• 新たな評価指標（誤差分解とキーポイント追跡誤差）により、標準的指標を超えた臨床的意味のある運動推定の正確性の洞察が得られた。