[論文レビュー] Recent Advances in Fibrosis and Scar Segmentation from Cardiac MRI: A State-of-the-Art Review and Future Perspectives

Yinzhe Wu, Zeyu Tang+3 more|arXiv (Cornell University)|Jun 28, 2021

Advanced MRI Techniques and Applications参考文献 152被引用数 5

ひとこと要約

本論文は、遅延ガドリニウム強化（LGE）心臓MRIからの心筋線維化および瘢痕組織の自動分離に関する最先端の手法をレビューし、多モodal画像（例：bSSFPおよびcine MRI）とディープラーニング技術を統合している。精度および効率性の向上が顕著であり、特に従来手法を上回るディープラーニングベースの手法が、診断および治療計画における臨床的指針を提供している。

ABSTRACT

Segmentation of cardiac fibrosis and scar are essential for clinical diagnosis and can provide invaluable guidance for the treatment of cardiac diseases. Late Gadolinium enhancement (LGE) cardiovascular magnetic resonance (CMR) has been successful for its efficacy in guiding the clinical diagnosis and treatment reliably. For LGE CMR, many methods have demonstrated success in accurately segmenting scarring regions. Co-registration with other non-contrast-agent (non-CA) modalities, balanced steady-state free precession (bSSFP) and cine magnetic resonance imaging (MRI) for example, can further enhance the efficacy of automated segmentation of cardiac anatomies. Many conventional methods have been proposed to provide automated or semi-automated segmentation of scars. With the development of deep learning in recent years, we can also see more advanced methods that are more efficient in providing more accurate segmentations. This paper conducts a state-of-the-art review of conventional and current state-of-the-art approaches utilising different modalities for accurate cardiac fibrosis and scar segmentation.

研究の動機と目的

• LGE-CMRからの自動心筋線維化および瘢痕分離に関する最近の進展を評価し、統合する。
• 精度、頑健性、および臨床的適用可能性の観点から、従来手法とディープラーニングベースの分離手法を比較する。
• bSSFP、cine MRIなどの多モーダルMRIが分離性能を向上させる役割を検討する。
• 現在の手法における限界を特定し、臨床応用に向けた今後の研究方向性を提案する。
• 分野における手法、データセット、評価指標の構造的概要を提供する。

提案手法

• LGE-CMRからの心筋線維化および瘢痕分離に関する150件以上の研究を対象とした体系的レビュー。
• 従来手法（例：しきい値処理、領域拡張、レベルセット）とディープラーニングベースの手法（例：U-Net、3次元CNN、注目メカニズム）に分類。
• bSSFP、cine MRIなどの非対照的MRIモodalを統合し、解剖的文脈の向上と分離精度の向上を図る。
• Dice類似係数（DSC）、感度、特異度、ハウスドルフ距離などの標準指標を用いて性能を評価。
• データセットの特性、アノテーションプロトコル、多様な患者集団における一般化性を分析。
• ディープラーニングフレームワークにおけるモデルアーキテクチャ、データオーグメンテーション、損失関数のトレンドを同定。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの分離手法は、心筋瘢痕検出において従来手法に比べて精度および頑健性でどのように優れているか？
• RQ2 bSSFPなどの非対照的MRIシーケンスとのコアジグレーションは、分離性能をどの程度向上させるか？
• RQ3 多様な臨床的患者集団およびスキャナー機器プラットフォームにわたる自動分離モデルの一般化における主な課題は何か？
• RQ4 異なる損失関数およびネットワークアーキテクチャは、線維化および瘢痕検出の分離結果にどのように影響を与えるか？
• RQ5 自動線維化および瘢痕分離ツールの臨床応用に向けた最も有望な今後の方向性は何か？

主な発見

• 特に注目メカニズムを備えたU-Netの変種を用いたディープラーニングベースの手法は、従来手法を一貫して上回り、複数のベンチマーク研究で平均DSCが0.85以上を達成している。
• bSSFPおよびcine MRIとのコアジグレーションは、解剖的文脈を提供し、誤検出を低減することで、分離精度を顕著に向上させる。
• 多モーダルアプローチは、画像アーチファクトや低コントラスト瘢痕に対して優れた頑健性を示し、特に広範な線維化を示す患者において顕著である。
• 進展は見られるものの、異なるMRIスキャナーや磁場強度での一般化は依然として主要な課題であり、外部データセットでは性能が著しく低下する傾向にある。
• 現在の最先端モデルは高い感度（>90%）を示すが、特異度はばらつきが大きく、小さなまたは低強度の瘢痕領域を過剰に分離する傾向がある。
• 本レビューは、標準化された評価プロトコルおよび公開のベンチマークデータセットの欠如が、臨床応用および手法比較の主な障壁であると同定している。