[論文レビュー] Simultaneous Left Atrium Anatomy and Scar Segmentations via Deep Learning in Multiview Information with Attention

Guang Yang, Jun Chen+14 more|arXiv (Cornell University)|Feb 2, 2020

Cardiac Valve Diseases and Treatments参考文献 42被引用数 4

ひとこと要約

本論文では、1つの3次元遅延ガドリニウム強化心筋マグネティックリソナンス画像（LGE-CMR）スキャンから左房解剖と左房線維化病変を同時にセグメンテーションする、マルチビュー二タスク再帰的アテンション深層学習モデルを提案する。この手法は、1スキャンあたり0.27秒未満で高い精度（左房の平均Diceスコア93%、線維化病変の平均Diceスコア87%）を達成し、別々の明るい血液スキャンと登録手順の必要性を排除する。

ABSTRACT

Three-dimensional late gadolinium enhanced (LGE) cardiac MR (CMR) of left atrial scar in patients with atrial fibrillation (AF) has recently emerged as a promising technique to stratify patients, to guide ablation therapy and to predict treatment success. This requires a segmentation of the high intensity scar tissue and also a segmentation of the left atrium (LA) anatomy, the latter usually being derived from a separate bright-blood acquisition. Performing both segmentations automatically from a single 3D LGE CMR acquisition would eliminate the need for an additional acquisition and avoid subsequent registration issues. In this paper, we propose a joint segmentation method based on multiview two-task (MVTT) recursive attention model working directly on 3D LGE CMR images to segment the LA (and proximal pulmonary veins) and to delineate the scar on the same dataset. Using our MVTT recursive attention model, both the LA anatomy and scar can be segmented accurately (mean Dice score of 93% for the LA anatomy and 87% for the scar segmentations) and efficiently (~0.27 seconds to simultaneously segment the LA anatomy and scars directly from the 3D LGE CMR dataset with 60-68 2D slices). Compared to conventional unsupervised learning and other state-of-the-art deep learning based methods, the proposed MVTT model achieved excellent results, leading to an automatic generation of a patient-specific anatomical model combined with scar segmentation for patients in AF.

研究の動機と目的

• 心房細動患者における別々の明るい血液スキャンを不要にするために、1つの3次元遅延ガドリニウム強化心筋マグネティックリソナンス（LGE-CMR）スキャンから左房解剖と線維化病変を統合的にセグメンテーションすることを目的とする。
• 異なるMRIシーケンスから得られる別々の解剖的および線維化病変セグメンテーション結果を統合する際の不整合および登録誤差の問題を解決することを目的とする。
• 1回の推論プロセスで複雑な解剖的および病態的組織パターンを同時に学習できる深層学習フレームワークの開発を目的とする。
• 両方のセグメンテーションタスクを同時に自動化することで、心房細動射頻出入術計画のための患者特異的モデリングの効率性と正確性を向上させることを目的とする。

提案手法

• 本手法は、3次元LGE-CMR画像を複数の直交する視点から処理することで特徴表現を向上させるマルチビュー二タスク（MVTT）再帰的アテンションネットワークを採用する。
• ネットワークは再帰的アテンション機構を用いて、3次元ボリューム全体にわたる関連のある解剖的領域および線維化病変領域に焦点を合わせながら、特徴マップを段階的に精緻化する。
• モデルはエンドツーエンドに訓練され、2つのセグメンテーションタスクを同時に実行する：左房および肺静脈のセグメンテーション、および左房線維化病変のセグメンテーション。
• 共有エンコーダー特徴とタスク固有のヘッドを活用することで、両方のセグメンテーションタスクの共同最適化を実現する。
• 1つの3次元ボリュームあたり60～68枚の軸方向2次元スライスを処理し、1スキャンあたり約0.27秒の実時間推論を実現する。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、1つの3次元LGE-CMRスキャンから左房解剖と左房線維化病変を正確にセグメンテーションできるか？
• RQ2 マルチビュー情報と再帰的アテンションの活用は、単一ビューまたは非再帰的アプローチと比較してセグメンテーション精度を向上させるか？
• RQ3 解剖と線維化病変の統合的セグメンテーションは、追加の明るい血液スキャンと関連する登録誤差の必要性を低減できるか？
• RQ4 提案されたMVTTモデルは、最先端の深層学習および非教師あり手法と比較して、Diceスコアおよび推論速度の点で優れているか？

主な発見

• 提案されたMVTTモデルは、左房解剖セグメンテーションで平均Diceスコア93%を達成し、複雑な心臓構造を高精度で捉える能力を示した。
• モデルは左房線維化病変セグメンテーションで平均Diceスコア87%を達成し、線維化組織の同定において優れた性能を示した。
• 各3次元LGE-CMRデータセットは約0.27秒で処理され、臨床現場でのリアルタイム応用が可能となった。
• 統合的セグメンテーションアプローチにより、別々の明るい血液スキャンの必要性が排除され、従来のワークフローで一般的な登録関連誤差も回避された。