[論文レビュー] Unsupervised shape and motion analysis of 3822 cardiac 4D MRIs of UK Biobank

Qiao Zheng, Hervé Delingette+3 more|arXiv (Cornell University)|Feb 15, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 33被引用数 4

ひとこと要約

本研究では、UKバイオバンクの3,822例の心臓4次元MR画像を対象に、深層学習から得られる形状および運動特徴を用いて、教師なしクラスタリング手法を提案する。特徴選択後にガウス混合モデルを適用した結果、おそらく病理的でない心臓の表現型を示す2つの明確なクラスタが得られ、分類モデルおよび次元削減による検証を通じて、ラベルなしの大規模な医療画像データセットにおける教師なし解析の可能性が示された。

ABSTRACT

We perform unsupervised analysis of image-derived shape and motion features extracted from 3822 cardiac 4D MRIs of the UK Biobank. First, with a feature extraction method previously published based on deep learning models, we extract from each case 9 feature values characterizing both the cardiac shape and motion. Second, a feature selection is performed to remove highly correlated feature pairs. Third, clustering is carried out using a Gaussian mixture model on the selected features. After analysis, we identify two small clusters which probably correspond to two pathological categories. Further confirmation using a trained classification model and dimensionality reduction tools is carried out to support this discovery. Moreover, we examine the differences between the other large clusters and compare our measures with the ground-truth.

研究の動機と目的

• UKバイオバンクの大きなラベルなし心臓MRIデータセットに対して教師なし解析を実施すること。
• 専門家がラベル付けしたデータに依存せずに、潜在的な病理的サブタイプを同定すること。
• 画像から得られる特徴に基づくクラスタリングが、異常な心臓表現型を検出する有効性を評価すること。
• 分類モデルおよび次元削減などの追加の機械学習ツールを用いて、同定されたクラスタの解釈を検証すること。
• 大規模な医療画像データにおける心臓病変検出のための教師なし学習の実現可能性を示すこと。

提案手法

• 以前に発表された深層学習ベースの特徴抽出パイプラインを用いて、1症例あたり9つの形状および運動特徴を抽出した。
• 相関が強い特徴ペアを除外することで特徴選択を実施し、クラスタリングの安定性を向上させた。
• 選択された特徴に基づいて、教師なしでガウス混合モデル（GMM）を用いて症例をクラスタリングした。
• 病理的リスクの程度を評価するために、訓練済みの分類モデルを用いてクラスタの解釈を検証した。
• 次元削減技術（PCAおよびt-SNE）を用いて、クラスタの分離状態および構造を可視化し、確認した。
• 自動パイプラインが得た測定値と、InlineVFアルゴリズムによる真値を比較し、信頼性を評価し、外れ値を特定した。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしの大規模な心臓MRIデータセットにおいて、画像から得られる形状および運動特徴の教師なしクラスタリングは、病理的サブタイプを検出可能か？
• RQ2 同定されたクラスタは、臨床的に意味のある心臓病変に対応しているか？
• RQ3 特徴ベースのクラスタリング結果は、真値の射出分数および体積測定値とどのように比較されるか？
• RQ4 次元削減および分類モデルは、クラスタの病理的解釈をどの程度サポートしているか？
• RQ5 自動パイプラインの推定値と真値との乖離は、データ品質の問題に起因しているか？

主な発見

• 訓練済みの分類器による検証を通じて、2つの小さなクラスタが病理的でない心臓のカテゴリに対応していると示された。
• t-SNEおよびPCAの可視化により、これらの2つのクラスタが、より大きな、おそらく健康なグループから明確に分離されていることが確認された。
• 自動パイプラインによる左室収縮末期の体積推定値は、真値と比較して平均で7.0%低く、収縮期には40.8%も低かった。
• 回帰分析により、自動パイプラインと真値の測定値の間に強い一致が確認され、回帰直線が恒等線に非常に近づいていた。
• 真値データの外れ値は、主にInlineVFアルゴリズムの失敗に起因しており、真値と自動推定値との乖離の主な要因であった。
• 本研究では、ラベルなしの大規模データセットに対する教師なし学習が、事前にラベル付けを行わずに臨床的に関連するサブタイプを同定可能であることを示した。