[論文レビュー] SK-Unet: an Improved U-net Model with Selective Kernel for the Segmentation of Multi-sequence Cardiac MR

Xiyue Wang, Sen Yang+5 more|arXiv (Cornell University)|Jan 3, 2020

Advanced MRI Techniques and Applications参考文献 17被引用数 6

ひとこと要約

本稿では、選択的カーネル（SK）モジュールと圧縮・拡張残差（SE-Res）ユニットを統合した、強化されたU-NetアーキテクチャであるSK-Unetを提案する。cine、T2強調、LGE CMR画像を統合することで、チャネルおよび空間次元における特徴表現を向上させ、MS-CMRSeg 2019データセットにおいて、LV（0.922）、LVM（0.827）、RV（0.874）の平均Diceスコアを達成した。

ABSTRACT

In the clinical environment, myocardial infarction (MI) as one com-mon cardiovascular disease is mainly evaluated based on the late gadolinium enhancement (LGE) cardiac magnetic resonance images (CMRIs). The auto-matic segmentations of left ventricle (LV), right ventricle (RV), and left ven-tricular myocardium (LVM) in the LGE CMRIs are desired for the aided diag-nosis in clinic. To accomplish this segmentation task, this paper proposes a modified U-net architecture by combining multi-sequence CMRIs, including the cine, LGE, and T2-weighted CMRIs. The cine and T2-weighted CMRIs are used to assist the segmentation in the LGE CMRIs. In this segmentation net-work, the squeeze-and-excitation residual (SE-Res) and selective kernel (SK) modules are inserted in the down-sampling and up-sampling stages, respective-ly. The SK module makes the obtained feature maps more informative in both spatial and channel-wise space, and attains more precise segmentation result. The utilized dataset is from the MICCAI challenge (MS-CMRSeg 2019), which is acquired from 45 patients including three CMR sequences. The cine and T2-weighted CMRIs acquired from 35 patients and the LGE CMRIs acquired from 5 patients are labeled. Our method achieves the mean dice score of 0.922 (LV), 0.827 (LVM), and 0.874 (RV) in the LGE CMRIs.

研究の動機と目的

• 遅発ガドリニウム強調（LGE）心筋MRIにおける左心室（LV）、右心室（RV）、左心室筋膜（LVM）の自動分類を改善すること。
• 特にcine、T2強調、LGEシーケンスを含むマルチシーケンスCMR画像から得られる補完的情報を活用して、分類精度を向上させること。
• LGE CMR画像におけるアノテーションの限界を補うために、追加のシーケンスを補助的監視として用いること。
• U-Netアーキテクチャにおける注意メカニズムを用いて、空間的およびチャネル次元における特徴表現を強化すること。
• 心筋MRI分類のためのMS-CMRSeg 2019ベンチマークで最先端の性能を達成すること。

提案手法

• 提案されたSK-Unetは、チャネルごとの特徴応答を再キャリブレーションするために、ダウンサンプリングパスに圧縮・拡張残差（SE-Res）モジュールを統合する。
• 選択的カーネル（SK）モジュールは、アップサンプリングパスに適用され、複数の受容野特徴を適応的に統合して、空間的表現を向上させる。
• マルチシーケンスCMR画像（cine、T2強調、LGE）がネットワークの入力として連結され、補完的で解剖的および機能的情報を活用する。
• エンコーダーからデコーダーへのスキップ接続が使用され、ダウンサンプリング中に失われる空間的詳細を保持する。
• 分類性能を最適化するために、交差エントロピー損失とDice損失の組み合わせを用いて、エンド・ツー・エンドでモデルを訓練する。
• SKモジュールは、空間的およびチャネル次元における重要度に基づいて、特徴マップを動的に再重み付けする。

実験結果

リサーチクエスチョン

• RQ1 cine、T2強調、LGEを含むマルチシーケンスCMR画像の統合は、LGE画像におけるLV、RV、LVM分類精度の向上に寄与するか？
• RQ2 選択的カーネルモジュールは、空間的およびチャネル次元における特徴表現を向上させ、より良い分類を可能にするか？
• RQ3 SE-Resモジュールは、エンコーダーパathにおける特徴精錬を改善し、より強固な特徴学習を可能にするか？
• RQ4 SK-Unetは、MS-CMRSeg 2019データセットにおいて、標準U-Netや他の注意メカニズムを備えたアーキテクチャと比較して、どのように性能を発揮するか？
• RQ5 補助シーケンス（cineおよびT2強調）は、LGE CMR画像におけるアノテーションの不足をどの程度補うことができるか？

主な発見

• 提案されたSK-Unetは、LGE CMR画像における左心室（LV）分類で平均Diceスコア0.922を達成した。
• 左心室筋膜（LVM）分類では平均Diceスコア0.827を達成し、挑戦的な筋肉組織分類において優れた性能を示した。
• 右心室（RV）分類では平均Diceスコア0.874を達成し、より小さく不規則な形状を示す構造に対しても頑健であることを示した。
• LGE単体を使用した場合と比較して、マルチシーケンスCMR画像の統合により顕著な分類性能の向上が見られ、解剖的文脈の強化によるものであった。
• 選択的カーネルモジュールは、関連する空間的およびチャネル的特徴に適応的に焦点を当てることで、より情報量の多い特徴マップを生成した。
• SE-ResモジュールとSKモジュールの組み合わせにより、特徴表現が向上し、ベースラインU-Netよりも高い分類精度が得られた。