[論文レビュー] Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters

Sofie Tilborghs, Tom Dresselaers+3 more|arXiv (Cornell University)|Oct 18, 2020

Advanced Neural Network Applications参考文献 17被引用数 8

ひとこと要約

本稿では、統計的形状モデルからの形状係数の推定と同時に、符号付き距離マップを用いたセグメンテーション予測を行う形状制約付きCNNを提案する。形状事前分布を学習された係数を通じて統合し、マルチタスク損失によってセグメンテーションとの整合性を保つことで、心筋マッピングと左室内腔（LV）セグメンテーションにおいて最先端の精度を達成した。自社データセットではLV面積に対して99%、領域的壁厚さに対して88%の相関を示し、公的ベンチマークでも優れた性能を発揮した。

ABSTRACT

Semantic segmentation using convolutional neural networks (CNNs) is the state-of-the-art for many medical segmentation tasks including left ventricle (LV) segmentation in cardiac MR images. However, a drawback is that these CNNs lack explicit shape constraints, occasionally resulting in unrealistic segmentations. In this paper, we perform LV and myocardial segmentation by regression of pose and shape parameters derived from a statistical shape model. The integrated shape model regularizes predicted segmentations and guarantees realistic shapes. Furthermore, in contrast to semantic segmentation, it allows direct calculation of regional measures such as myocardial thickness. We enforce robustness of shape and pose prediction by simultaneously constructing a segmentation distance map during training. We evaluated the proposed method in a fivefold cross validation on a in-house clinical dataset with 75 subjects containing a total of 1539 delineated short-axis slices covering LV from apex to base, and achieved a correlation of 99% for LV area, 94% for myocardial area, 98% for LV dimensions and 88% for regional wall thicknesses. The method was additionally validated on the LVQuan18 and LVQuan19 public datasets and achieved state-of-the-art results.

研究の動機と目的

• 標準的なCNNが形状制約を明示的に持たないため、不自然な領域や断片的・欠損領域を生じがちな医療画像セグメンテーションの限界を解消すること。
• 形状係数の回帰を通じて統計的形状モデルを事前分布として統合することで、セグメンテーションのロバスト性と解剖学的妥当性を向上させること。
• 形状モデルのパラメータを活用することで、心筋厚さや領域的壁厚さといった地域的心臓指標を直接かつ正確に算出可能にすること。
• 距離マップ回帰によるセマンティックセグメンテーションと同時に、ポーズと形状の予測を共同学習することで、一般化性能とロバスト性を向上させること。
• 公的心臓MRIセグメンテーションチャレンジ（LVQuan18/19）で最先端の性能を達成するとともに、解剖学的妥当性を維持すること。

提案手法

• 2次元短軸心臓MRI画像から、正規化されたランドマークベースの心筋内腔を用いて主成分分析（PCA）を実施し、統計的形状モデルを構築する。
• 形状変動の99%以上を捉えるために、最初の12個の主成分から得られる12個の形状係数（b1,p, ..., b12,p）を用いて各LV形状を表現する。
• 形状の推定の一貫性を保つために、回転および中心位置を表すポーズパラメータ（θp, cx,p, cy,p）を同時に回帰する。
• 内膜および外膜の符号付き距離マップ（Dp）を回帰し、シグモイド関数を用いて直接距離マップからセグメンテーションを導出する。
• 形状のMSE、ポーズのMSE、およびバイナリ化された距離マップにおけるDiceとMSEの重み付き和を組み合わせたマルチタスク損失を用いて、ネットワークをエンドツーエンドで学習する。
• トレーニング中にポーズ（位置、方向）および形状係数を摺り動かすことでオンラインデータオーグメンテーションを実施し、薄板スプラインおよび3次スプライン補間を用いて対応する画像および距離マップを再生成する。

実験結果

リサーチクエスチョン

• RQ1 統計的形状モデルからの形状およびポーズパラメータの共同回帰は、標準的なセマンティックセグメンテーションに比べ、心臓MRIにおけるセグメンテーション精度と解剖学的妥当性を向上させるか？
• RQ2 距離マップ回帰と組み合わせた損失関数を用いることで、セグメンテーションのロバスト性が向上し、断片的または不自然なセグメンテーションが減少するか？
• RQ3 ポーズおよび形状係数のオンラインデータオーグメンテーションは、未知データに対する一般化性能と性能向上にどの程度寄与するか？
• RQ4 予測された形状係数を用いて、心筋厚さや領域的壁厚さといった地域的心臓指標を直接かつ正確に算出可能か？
• RQ5 公的心臓MRIセグメンテーションベンチマーク（LVQuan18/19）において、本手法はセグメンテーションおよびパラメータ推定精度の面で最先端の手法と比較してどのように差をつけるか？

主な発見

• 自社データセット（75例、1539枚の短軸スライス）において、左室内腔（LV）面積は99%、心筋面積は94%、LV寸法は98%、領域的壁厚さは88%の相関を達成した。
• LVQuan18チャレンジデータセットでは、LV面積の平均絶対誤差（MAE）が92 mm²、心筋面積が121 mm²、LV寸法が1.52 mm、相対的壁厚さ（RWT）が1.01 mmであり、LV面積および心筋面積においてLVQuan18優勝手法を上回った。
• LVQuan19チャレンジデータセットでは、LV面積のMAEが134 mm²、心筋面積が201 mm²、LV寸法が2.10 mm、RWTが1.78 mmであり、多数の指標でチャレンジ上位エントリーよりも高い相関係数（ρ）を示した。
• セマンティックセグメンテーションとデータオーグメンテーションの併用により、形状係数回帰が顕著に向上し、ランドマーク予測誤差は1.44 mmにまで低下した（セグメンテーションなしでは2.10 mm、オーグメンテーションなしでは1.85 mm）。
• 標準的なセマンティックセグメンテーション（Dice損失）とは異なり、本手法では断片的または欠損領域を一切生じさせなかった。これは形状モデルの制約が本質的に内蔵されているためである。
• 地域的指標推定においても優れた性能を示した：領域的壁厚さの相関は88%、LVQuan18におけるLV寸法のMAEは1.52 mmであり、[11]のベースライン手法を大きく上回った。