[論文レビュー] Towards Direct Medical Image Analysis without Segmentation

Xiantong Zhen, Shuo Li|arXiv (Cornell University)|Oct 21, 2015

Medical Image Segmentation Techniques参考文献 4被引用数 9

ひとこと要約

本稿では、セグメンテーション、レジストレーション、トラッキングなどの従来の中間ステップを回避し、医用画像から臨床的測定値へのエンド・ツー・エンドのマッピングを学習することで、直接的な医用画像解析手法を提案する。統計的および学習ベースのモデルを活用することで、心室容積および機能障害の正確で効率的かつリアルタイムの推定が可能となり、従来の手法に比べて優れた性能と計算効率を示している。

ABSTRACT

Direct methods have recently emerged as an effective and efficient tool in automated medical image analysis and become a trend to solve diverse challenging tasks in clinical practise. Compared to traditional methods, direct methods are of much more clinical significance by straightly targeting to the final clinical goal rather than relying on any intermediate steps. These intermediate steps, e.g., segmentation, registration and tracking, are actually not necessary and only limited to very constrained tasks far from being used in practical clinical applications; moreover they are computationally expensive and time-consuming, which causes a high waste of research resources. The advantages of direct methods stem from extbf{1)} removal of intermediate steps, e.g., segmentation, tracking and registration; extbf{2)} avoidance of user inputs and initialization; extbf{3)} reformulation of conventional challenging problems, e.g., inversion problem, with efficient solutions.

研究の動機と目的

• 医用画像解析におけるセグメンテーション、レジストレーション、トラッキングなどの中間ステップに依存することを排除すること。
• 臨床応用における従来の手法の非効率さと高い計算コストを解消すること。
• 単一、両心室、四心腔構造の心室容積を一括して直接推定する統合フレームワークの開発。
• セグメンテーションやトラッキングを一切行わず、リアルタイムかつ正確に心機能障害を診断すること。
• 心電図モデルのパラメータ個別化など、計算コストの高い逆問題をデータ駆動型学習によりより効率的に解くこと。

提案手法

• 直接的容積推定には、画像の外観と心室容積の非線形関係をモデル化するため、バタチャリヤ係数に基づく分布を用いた統計的画像特徴が使用される。
• ニューラルネットワークとマルチアウトプット回帰フォレストを用いて、画像特徴を直接臨床的測定値にマッピングし、セグメンテーションを回避する。
• 両心室および四心腔容積推定のため、教師あり記述子学習と回帰フォレストに基づく統合的でデータ駆動型のフレームワークが適用される。
• 初期のアプローチでは、テンプレートベース平均化を用いたベイジアンモデルが、両心室容積の同時推定に用いられた。
• パラメトリックモデルを仮定しないで、効率性を向上させるためにランダムフォレストが、同時容積推定に応用された。
• 心電図の12誘導データから心電気的拡散係数を推定する逆問題に対しては、多項式回帰を用いて直接的な逆マッピングを学習した。

実験結果

リサーチクエスチョン

• RQ1 セグメンテーションやその他の中間処理ステップなしに、心室容積推定を正確に行うことができるか？
• RQ2 単一、両心室、四心腔構造の心室容積を、画像から直接推定できる統一されたフレームワークが構築可能か？
• RQ3 セグメンテーションや心筋の境界のトラッキングなしに、局所的心筋機能障害の直接診断が可能か？
• RQ4 直接的手法により、心臓モデルにおける計算コストの高い逆問題（例：パrameter personalization）を効率的に解けるか？
• RQ5 従来のセグメンテーションベースの手法と比較して、直接的学習ベースの推定は正確性と効率性においてどのように優れているか？

主な発見

• バタチャリヤベースの画像統計とニューラルネットワークを用いた左心室容積の直接推定により、セグメンテーションを経由せずに正確な射出分数推定が達成された。
• ランダムフォレストと完全にデータ駆動型のフレームワークを用いた両心室容積推定は、モデルベースまたはセグメンテーション依存の手法に比べ、より高い効率性と正確性を示した。
• マルチアウトプット回帰フォレストを用いた四心腔容積推定のための統合フレームワークが、複数の心室構造を同時に推定するための最初の一般解として成功裏に開発された。
• セグメンテーションやトラッキングなしに、各領域における血液割合に関連する統計的特徴を用いた直接的分類により、リアルタイムかつ正確な局所的心機能評価が可能になった。
• 12誘導心電図データから多項式回帰を用いて心電気的拡散係数をデータ駆動型で推定した結果、従来の逆問題解法よりも高速かつ正確な結果が得られた。
• 直接的手法により、計算コストが顕著に削減され、中間ステップに起因する誤差伝搬も排除されたため、臨床現場への実用的導入が可能になった。