[論文レビュー] Towards Robust Cardiac Segmentation using Graph Convolutional Networks

Gilles Van De Vyver, Sarina Thomas+5 more|arXiv (Cornell University)|Oct 2, 2023

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本稿では、解剖学的に不正確なセグメンテーションを回避するため、グラフを用いたロバストなマルチ構造心臓超音波画像セグメンテーションのためのグラフ畳み込みネットワーク（GCN）を提案する。この手法は、解剖学的構造をグラフとして予測することで、解剖学的に不正確なセグメンテーションを排除する。GCNとU-Netを組み合わせ、モデル間の一致度をリアルタイムの不確実性予測子として用いることで、分布外や低品質な画像を高い精度で検出でき、標準的なU-Netの性能をはるかに上回る臨床的ロバスト性を実現する。

ABSTRACT

Fully automatic cardiac segmentation can be a fast and reproducible method to extract clinical measurements from an echocardiography examination. The U-Net architecture is the current state-of-the-art deep learning architecture for medical segmentation and can segment cardiac structures in real-time with average errors comparable to inter-observer variability. However, this architecture still generates large outliers that are often anatomically incorrect. This work uses the concept of graph convolutional neural networks that predict the contour points of the structures of interest instead of labeling each pixel. We propose a graph architecture that uses two convolutional rings based on cardiac anatomy and show that this eliminates anatomical incorrect multi-structure segmentations on the publicly available CAMUS dataset. Additionally, this work contributes with an ablation study on the graph convolutional architecture and an evaluation of clinical measurements on the clinical HUNT4 dataset. Finally, we propose to use the inter-model agreement of the U-Net and the graph network as a predictor of both the input and segmentation quality. We show this predictor can detect out-of-distribution and unsuitable input images in real-time. Source code is available online: https://github.com/gillesvntnu/GCN_multistructure

研究の動機と目的

• U-Netベースの心臓超音波画像セグメンテーションにおける解剖学的に不正確なセグメンテーションという根本的問題に取り組む。
• 左心室内膜面、外膜面、左房を同時にセグメンテーション可能なマルチ構造グラフ畳み込みネットワークを構築する。
• 臨床的動機付けに基づくグラフ正則化（変位法）を導入し、マルチ構造出力における解剖学的妥当性を強制する。
• U-NetとGCN間のモデル間一致度を、入力品質およびセグメンテーション信頼性のリアルタイム予測子として評価する。
• HUNT4を含む臨床データセットを用いて、本手法の実世界への適用可能性を検証する。

提案手法

• GCNは、輪郭点をノードとしてサンプリングし、グラフ畳み込みエンコーダ・デコーダアーキテクチャを用いて心臓輪郭をグラフとしてモデル化する。
• 心臓解剖学に基づき、ノードの位置をその近隣ノードに対して制約することで、解剖学的整合性を強制する変位ベースの正則化を適用する。
• デコーダには2つの畳み込みリングを用い、心内膜面および心外膜面の空間的関係をモデル化することで、マルチ構造一般化性能を向上させる。
• GCNとU-Net間のモデル間一致度を信頼度スコアとして計算し、リアルタイムで分布外または低品質な入力を検出する。
• 本手法は、セグメンテーション精度の評価にはCAMUSデータセット、臨床的測定信頼性の評価にはHUNT4データセットを用いる。
• FASTフレームワークを用いてリアルタイムデモンストレーションアプリケーションを構築し、臨床的スキャン環境におけるセグメンテーション出力とモデル間一致度状態を可視化した。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みネットワークは、解剖学的正確性を保持しつつ、マルチ構造心臓セグメンテーションに効果的に拡張可能か？
• RQ2 提案された変位正則化は、標準的なU-NetおよびベースラインGCN手法と比較して、解剖学的に不正確なセグメンテーションを顕著に低減するか？
• RQ3 U-NetとGCN間のモデル間一致度は、入力画像品質およびセグメンテーション信頼性の信頼できるリアルタイム指標として機能するか？
• RQ4 特に射出分数（EF）推定において、GCNの性能は最先端のU-Net変種と比較して、臨床的測定精度で優れているか？
• RQ5 モデル間一致度を用いることで、低品質または分布外のケースを除外することで、EF測定の一致範囲はどの程度改善されるか？

主な発見

• 提案されたGCNに変位正則化を適用した結果、CAMUSデータセット上でのマルチ構造セグメンテーションにおいて、解剖学的に不正確な出力が完全に排除され、予測の100％が解剖学的妥当性を満たした。
• U-NetとGCN間のモデル間一致度は、高品質で正しい視断（A4C/A2C）の100例中93例を高一致度で検出できた一方、一致度が低い74例のうち正しい視断であったのはたった15例にとどまった。
• 一致度が低いケースのうち55例は、トレーニングデータに含まれないが実際の臨床で頻用される心尖部長軸視断（ALAX）またはその回転変種であった。これは、分布外入力の強力な検出能力を示している。
• 低モデル間一致度のケースを除外した場合、すべてのモデルでEF測定の一致範囲が顕著に改善され、特にnnU-Netが最も狭い一致範囲を示した。
• リアルタイムデモンストレーションアプリケーションは、セグメンテーション出力と一致度状態を正常に可視化でき、臨床統合の実用的妥当性を示した。
• アブレーションスタディの結果、GCNデコーダアーキテクチャの変更が性能にほとんど影響しなかったことから、エンコーダがモデル性能の主な駆動要因であることが示された。