[論文レビュー] Multiview Two-Task Recursive Attention Model for Left Atrium and Atrial Scars Segmentation

Jun Chen, Guang Yang+10 more|arXiv (Cornell University)|Jun 12, 2018

Cardiac Valve Diseases and Treatments参考文献 9被引用数 4

ひとこと要約

本稿では、一括LGE-CMRIスキャンから肺静脈および心房線維化巻き付きを同時にセグメンテーションする、新規のマルチビュー二タスク再帰的アテンションモデル（MVTT）を提案する。順序付きおよび拡張リーマン学習を用い、アテンション機構を統合することで、追加の明るい血液MRIや登録を必要とせず、既存手法に比べて著しく線維化巻き付き検出感度とDiceスコアを向上させた。

ABSTRACT

Late Gadolinium Enhanced Cardiac MRI (LGE-CMRI) for detecting atrial scars in atrial fibrillation (AF) patients has recently emerged as a promising technique to stratify patients, guide ablation therapy and predict treatment success. Visualisation and quantification of scar tissues require a segmentation of both the left atrium (LA) and the high intensity scar regions from LGE-CMRI images. These two segmentation tasks are challenging due to the cancelling of healthy tissue signal, low signal-to-noise ratio and often limited image quality in these patients. Most approaches require manual supervision and/or a second bright-blood MRI acquisition for anatomical segmentation. Segmenting both the LA anatomy and the scar tissues automatically from a single LGE-CMRI acquisition is highly in demand. In this study, we proposed a novel fully automated multiview two-task (MVTT) recursive attention model working directly on LGE-CMRI images that combines a sequential learning and a dilated residual learning to segment the LA (including attached pulmonary veins) and delineate the atrial scars simultaneously via an innovative attention model. Compared to other state-of-the-art methods, the proposed MVTT achieves compelling improvement, enabling to generate a patient-specific anatomical and atrial scar assessment model.

研究の動機と目的

• 単一のLGE-CMRIスキャンから心房（肺静脈を含む）および心房線維化巻き付きを完全自動で同時にセグメンテーションする手法を開発すること。
• LGE-CMRIに起因する課題、例えば低SNR、健常組織の信号ノッチ、心房細動患者における画像品質の悪化を克服すること。
• 従来手法で一般的に見られる追加の明るい血液MRI撮影およびその後の登録誤差に依存しないこと。
• アテンション機構を用いて、小さな過強化線維化領域の検出感度と正確性を向上させること。
• 心房細動における射頻防止術のガイドラインとして、患者個別的かつ再現可能で信頼性の高い解剖学的および線維化評価を可能にすること。

提案手法

• MVTTフレームワークはマルチビュー学習を採用：矢状断および coronal 断では拡張リーマン学習により多スケールの文脈を捉え、軸方向断ではConvLSTMを用いた順序付き学習ネットワークにより特徴を抽出する。
• 再帰的アテンション機構を統合し、微小でコントラストの低い心房線維化巻き付き領域の特徴表現を向上させる。これにより、特徴的な空間パターンに焦点を当てる。
• エンコーダ・デコーダパスを有する3D U-Netに類似したアーキテクチャを採用。各畳み込み層の後にはReLUと局所的応答正規化（LRN）が続く。
• 特徴マップは、エンコーダーではマックスプーリング、デコーダーでは双線形補間アップサンプリングを経て処理され、空間的詳細を保持するためのスキップ接続が設けられる。
• 両タスク（LA/PVおよび線維化セグメンテーション）の損失関数を統合し、エンドツーエンドで学習することで、共同最適化を実現する。
• 3D LGE-MRIデータを軸方向、矢状方向、冠状方向のスライスに再構成し、補完的な解剖学的情報を活用する。

実験結果

リサーチクエスチョン

• RQ1 単一の深層学習モデルが、追加の画像撮影を要せず、単一のLGE-CMRIスキャンから心房（肺静脈を含む）および心房線維化巻き付きを正確にセグメンテーションできるか？
• RQ2 軸方向、矢状方向、冠状方向のマルチビュー特徴学習を組み込むことで、単一ビュー手法に比べてセグメンテーション性能がどのように向上するか？
• RQ3 ノイズの多いLGE-CMRIデータにおいて、微小でコントラストの低い心房線維化巻き付き領域の検出に、アテンション機構がどの程度効果を発揮するか？
• RQ4 解剖学的構造と線維化の同時二タスク学習は、LA/PVと線維化セグメンテーションを別々に学習するのと比べて、どのように異なるか？
• RQ5 ConvLSTMや拡張リーマンブロックといったアーキテクチャ的要素が、モデルの頑健性および一般化性能に与える影響は何か？

主な発見

• MVTTは、心房および肺静脈セグメンテーションにおいて、Diceスコア0.9990 ± 0.0009を達成し、WHS手法（感度0.905 vs. 0.859）を著しく上回った。
• 心房線維化巻き付きセグメンテーションにおいて、MVTTはDiceスコア0.7764 ± 0.1459を達成し、非教師あり手法（例：SDベースのしきい値処理：Dice < 0.1）およびU-Netベースラインを上回った。
• アブレーションスタディでは、マルチビュー順序付き学習が軸方向単独学習に比べ、Diceスコアが0.0067向上したことが確認された。
• アテンション機構により、線維化セグメンテーションの感度が0.0272（0.7491 → 0.7764）上昇し、Diceスコアも0.0273向上した。これは、微小な線維化領域を効果的に強調できることを示している。
• 同時二タスク学習フレームワークは、別々の学習に比べて優れた結果を示し、相互監視が特徴学習を強化していることを示した。
• モデルは優れた一般化性能を示し、高い特異度（0.9997 ± 0.0002）と頑健な収束性を示したが、線維化巻き付きが最小限の術前症例ではやや性能が低下した。