[論文レビュー] Multi-Modality Cardiac Image Analysis with Deep Learning

Lei Li, Fuping Wu+2 more|arXiv (Cornell University)|Nov 8, 2021

Cardiac Imaging and Diagnostics被引用数 4

ひとこと要約

本論文は、LGE-MRIからの左房線維化領域セグメンテーションに注力したマルチモodalな心臓画像解析のためのディープラーニングフレームワークを提示する。非対照MRIを補助的入力として用い、CTとMR画像間のドメインシフトを低減するための非教師付きドメイン適応手法としてDDFSeg、CFDNet、VarDAを導入している。提案手法は、明示的なドメイン差違度量と分離された特徴学習を活用し、セグメンテーション精度を向上させ、VarDAはLGE-MRIセグメンテーションで最先端の性能を達成した（MYO: 73.03%、LV: 88.06%）。

ABSTRACT

Accurate cardiac computing, analysis and modeling from multi-modality images are important for the diagnosis and treatment of cardiac disease. Late gadolinium enhancement magnetic resonance imaging (LGE MRI) is a promising technique to visualize and quantify myocardial infarction (MI) and atrial scars. Automating quantification of MI and atrial scars can be challenging due to the low image quality and complex enhancement patterns of LGE MRI. Moreover, compared with the other sequences LGE MRIs with gold standard labels are particularly limited, which represents another obstacle for developing novel algorithms for automatic segmentation and quantification of LGE MRIs. This chapter aims to summarize the state-of-the-art and our recent advanced contributions on deep learning based multi-modality cardiac image analysis. Firstly, we introduce two benchmark works for multi-sequence cardiac MRI based myocardial and pathology segmentation. Secondly, two novel frameworks for left atrial scar segmentation and quantification from LGE MRI were presented. Thirdly, we present three unsupervised domain adaptation techniques for cross-modality cardiac image segmentation.

研究の動機と目的

• 心筋梗塞および心房線維化の定量的評価に必要な高品質なLGE-MRIとゴールドスタンダードのラベルが限られているという課題に対処すること。
• LGE-MRIと補助的な非対照MRIシーケンスを用いた左房線維化領域セグメンテーションのための耐障害性の高いディープラーニングフレームワークの開発。
• CTとMR画像間のドメインシフトを低減する非教師付きドメイン適応技術を導入することで、マルチモーダル心臓セグメンテーションの性能を向上させること。
• 画像モalityをまたがるセグメンテーションタスクにおいて、明示的なドメイン差違度量と対抗的学習を比較・評価すること。

提案手法

• LGE-MRIと非対照MRIを入力として用いる、左房線維化領域セグメンテーションのための新規ネットワークLearnGCとAtrialJSQnetの提案。
• ドメイン固有特徴（DSFs）とコンテンツ特徴を分離するドメイン適応フレームワークDDFSegの導入。画像変換と適応性の向上に寄与。
• CFDNetの開発。源とターゲットの特徴間のドメイン差違を測定する新しい明示的指標である「コントラクト・フレシェ距離（CFD）」を用い、対抗的学習に代わる手法を実装。
• VarDAの提案。変分近似を用いて度量計算を簡素化し、特徴相関モデリングを改善する変分ドメイン適応手法。
• CTからMR画像、およびMRからLGE-MRIへの知識転送を、ラベルなしのターゲットデータのみを用いて非教師付きドメイン適応技術を適用。
• 2次元スライス単位のセグメンテーションを実施。マルチシーケンスMRI入力を統合し、データ拡張と正規化を適用して耐障害性を向上。

Figure 1: Visualization of myocardial pathology segmentation combing multi-sequence CMR images acquired from the same patient. Image adopted from the website of MyoPS 2020 challenge: http://www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/.

実験結果

リサーチクエスチョン

• RQ1 非対照MRIシーケンスと組み合わせたディープラーニングモデルは、LGE-MRIにおける左房線維化領域のセグメンテーションを効果的に実行できるか？
• RQ2 マルチモーダル心臓画像セグメンテーションタスクにおいて、明示的なドメイン差違度量と対抗的学習はどのように比較されるか？
• RQ3 特徴の分離は、マルチモーダル心臓MRI解析におけるドメイン適応性能をどの程度向上できるか？
• RQ4 非教師付きドメイン適応フレームワークは、ラベルなしのターゲットデータを前提として、CTとMR心臓セグメンテーションの性能ギャップを縮小できるか？
• RQ5 変分近似をドメイン適応に用いることで、リソースが限られたLGE-MRIデータにおけるセグメンテーション精度はどの程度向上するか？

主な発見

• VarDAはLGE-MRIセグメンテーションで最高のDiceスコアを達成し、心筋（MYO）で73.03%、左室（LV）で88.06%、右室（RV）で78.47%を記録。CFDNetやSIFAを上回った。
• CFDNetは対抗的学習手法と同等のセグメンテーション性能を達成し、MYOで69.1%、LVで86.4%、RVで76.0%のDiceスコアを記録。明示的度量学習の有効性を示した。
• DDFSegはドメイン固有特徴を効果的に分離し、画像変換の品質向上とマルチシーケンスMRIタスクにおけるより優れたドメイン適応を実現した。
• VarDAにおける変分近似の使用により、計算複雑性が低減され、特徴相関モデリングが改善され、より安定的かつ正確なセグメンテーションが実現した。
• PnP-AdaNetなどのベースライン手法は、特にRVセグメンテーションにおいてVarDAやCFDNetに劣っており、明示的度量学習の優位性を示した。
• 可視化比較により、VarDAとCFDNetは、対照度が低い複雑な領域においても、ベースライン手法よりもより解剖学的に妥当なセグメンテーション境界を生成した。

Figure 2: The average Dice score of the nine evaluated methods on each slice of the 40 test LGE CMR images. Image adopted from Zhuang et al. [ 28 ]