[論文レビュー] Ultrasound Shear Wave Elasticity Imaging with Spatio-Temporal Deep Learning

Maximilian Neidhardt, Marcel Bengs+5 more|arXiv (Cornell University)|Apr 11, 2022

Ultrasound Imaging and ElastographyMedicine被引用数 1

ひとこと要約

本論文は、従来の速度に基づく手法を回避する、リアルタイムでピクセル単位の弾性率推定を可能にする3次元時空間畳み込みニューラルネットワーク（CNN）を提案する。本手法は、均一なフォントムで平均絶対誤差（MAE）5.01 ± 4.37 kPaを達成し、時間飛行法と比較してインクルージョン部でMAEを53.93%低減し、プッシュ位置に依存せず、むしろプッシュ領域内でも正確な局所的弾性率推定を可能にする。

ABSTRACT

Ultrasound shear wave elasticity imaging is a valuable tool for quantifying the elastic properties of tissue. Typically, the shear wave velocity is derived and mapped to an elasticity value, which neglects information such as the shape of the propagating shear wave or push sequence characteristics. We present 3D spatio-temporal CNNs for fast local elasticity estimation from ultrasound data. This approach is based on retrieving elastic properties from shear wave propagation within small local regions. A large training data set is acquired with a robot from homogeneous gelatin phantoms ranging from 17.42 kPa to 126.05 kPa with various push locations. The results show that our approach can estimate elastic properties on a pixelwise basis with a mean absolute error of 5.01(437) kPa. Furthermore, we estimate local elasticity independent of the push location and can even perform accurate estimates inside the push region. For phantoms with embedded inclusions, we report a 53.93% lower MAE (7.50 kPa) and on the background of 85.24% (1.64 kPa) compared to a conventional shear wave method. Overall, our method offers fast local estimations of elastic properties with small spatio-temporal window sizes.

研究の動機と目的

• 従来のせん断波速度推定に依存せずに、リアルな超音波せん断波データから直接的かつ局所的な弾性率推定を実現する深層学習ベースの手法の開発。
• 不均一な組織や音響プッシュ領域付近において、弾性画像法の精度と頑健性の向上。
• プッシュ位置や波の進行方向に依存しない、小さな時空間窓を用いたリアルタイムでピクセル単位の弾性率マッピングの実現。
• 均一なフォントムと複雑なインクルージョンを用いた検証を通じて、従来の時間飛行法と比較しての性能向上を示すこと。

提案手法

• 本手法は、局所的な3次元データキューブ（空間的x, yおよび時間的t）を入力とし、時空間窓と呼ばれるものとして処理する3次元時空間CNNを採用する。
• ネットワークアーキテクチャは、平均プーリングを用いたトランジション層を介して空間的および時間的次元をダウンサンプリングするDenseNetブロックに基づく。
• 入力データは、ロボットシステムから得られる高速な超音波せん断波シーケンスであり、17.42–126.05 kPaの範囲の弾性率とプッシュ位置をカバーする。
• ネットワークは時空間窓から直接ヤング率を予測し、画像内の各ピクセルにおける局所的弾性率推定を可能にする。
• トレーニングは、既知の弾性率を持つ均一なゼラチンフォントムの大量な合成データセットを用い、不均一構造への一般化を可能にする。
• 推論は高速化が最適化されており、小さな窓（0.32 × 0.4 mm）では1推定あたり0.07 msの推論時間を達成し、従来の手法を効率性において上回る。

実験結果

リサーチクエスチョン

• RQ1 3次元時空間CNNは、せん断波速度推定に依存せずに、リアルな超音波せん断波データから正確で局所的な弾性率推定を達成できるか？
• RQ2 従来の手法がしばしば失敗する音響プッシュ領域内での弾性率推定において、本手法はどのように性能を発揮するか？
• RQ3 剛性インクルージョンを有する不均一フォントムにおいて、従来の時間飛行法と比較して、本手法はどれほど精度を向上させるか？
• RQ4 時空間窓サイズの選択が、境界定義と全体的な精度にどのように影響するか？

主な発見

• 本手法は、広い弾性率範囲（17.42–126.05 kPa）をカバーする均一なゼラチンフォントムで、平均絶対誤差（MAE）5.01 ± 4.37 kPaを達成した。
• 剛性インクルージョンを有するフォントムにおいて、従来の時間飛行法と比較してMAEが53.93%低減（7.50 kPa）された。
• バックグラウンド組織ではMAEが1.64 kPaであり、時間飛行法と比較して85.24%の改善が得られた。
• 本手法はプッシュ位置に依存せず一貫した弾性率推定を提供し、プッシュ領域内でも正確に機能する。
• より小さな時空間窓（例：17×17ピクセル、約1×1 mm）は、より大きな窓と同等のDice係数を達成するが、17×17ピクセル未満では性能が著しく低下する。
• 本手法は1推定あたり最低0.07 msの推論時間でリアルタイムの弾性率マッピングを実現し、従来の手法を速度と精度の両面で上回る。