[論文レビュー] V-FCNN: Volumetric Fully Convolution Neural Network For Automatic Atrial Segmentation

Nicoló Savioli, Giovanni Montana+1 more|arXiv (Cornell University)|Aug 6, 2018

Cardiac Valve Diseases and Treatments参考文献 18被引用数 5

ひとこと要約

本稿では、ボリュメトリック畳み込みを用いて、1ショットで完全自動的に遅延ガドリニウム強化MRIからの心房をセグメンテーションするための3次元完全畳み込みニューラルネットワーク、V-FCNNを提案する。平均二乗誤差とDice損失を組み合わせることで、54例の患者において92.5%のDiceスコアを達成し、肺静脈および弁平面領域の課題にもかかわらず、心房の中間領域で優れた性能を示した。

ABSTRACT

Atrial Fibrillation (AF) is a common electro-physiological cardiac disorder that causes changes in the anatomy of the atria. A better characterization of these changes is desirable for the definition of clinical biomarkers, furthermore, thus there is a need for its fully automatic segmentation from clinical images. In this work, we present an architecture based on 3D-convolution kernels, a Volumetric Fully Convolution Neural Network (V-FCNN), able to segment the entire volume in a one-shot, and consequently integrate the implicit spatial redundancy present in high-resolution images. A loss function based on the mixture of both Mean Square Error (MSE) and Dice Loss (DL) is used, in an attempt to combine the ability to capture the bulk shape as well as the reduction of local errors products by over-segmentation. Results demonstrate a reasonable performance in the middle region of the atria along with the impact of the challenges of capturing the variability of the pulmonary veins or the identification of the valve plane that separates the atria to the ventricle. A final dice of $92.5\%$ in $54$ patients ($4752$ atria test slices in total) is shown.

研究の動機と目的

• 3次元遅延ガドリニウム強化MRIからの左心房および右心房のセグメンテーションを、完全自動的かつ1ショットで行う手法の開発。
• 心房画像における組織対比度の低さと高い解剖学的可変性の課題に対処すること。
• ボリュメトリック畳み込みによる3次元空間の冗長性を活用することで、セグメンテーションの正確性を向上させること。
• MSEとDice損失を組み合わせたハイブリッド損失関数を用いて、過剰セグメンテーションと局所的誤差を低減すること。
• 従来のU-Net型アーキテクチャに見られるスキップ接続を排除することで、トレーニングを簡素化し、収束を高速化すること。

提案手法

• V-FCNNアーキテクチャは、ダウンサンプリングおよびアップサンプリングパスにそれぞれ4つの3次元畳み込みブロックを備えた、3次元完全畳み込みエンコーダデコーダ構造を採用している。
• 各ブロックは、カーネルサイズ3×3の3次元畳み込みを実行し、その後にパラメトリックReLU（PReLU）と3次元バッチ正規化を適用する。
• 空間分解能を保持し、小さな心房構造における情報損失を防ぐために、マックスプーリングを回避している。
• ハイブリッド損失関数が採用されている：$ \text{Loss} = \text{MSE}_{\text{loss}} + \lambda \cdot \text{DICE}_{\text{loss}} $。これは、グローバルな形状の正確性（MSE）と局所的な境界精度（Dice）のバランスを取るために用いられる。
• ダウンサンプリングパスにより、空間次元を640×640×88から127×127×88に縮小し、GPUメモリ制限に適合させている。入力解像度は元の0.625 mm³の等方的解像度から低下している。
• モデルは2018年心房セグメンテーションチャレンジの100例の3次元LGE-MRIスキャンを用いてエンドツーエンドでトレーニングされ、1回の順伝播で推論が行われる。

実験結果

リサーチクエスチョン

• RQ1 スキップ接続を排除した3次元完全畳み込みネットワークは、1ショットで頑健な心房セグメンテーションを達成できるか？
• RQ2 MSEとDice損失を組み合わせたハイブリッド損失関数は、単一損失アプローチと比較して、セグメンテーションの正確性をどのように向上させるか？
• RQ3 マックスプーリングを回避することで、対照度が低い心房構造における微細な解剖学的詳細がどの程度保持されるか？
• RQ4 肺静脈および心室弁平面などの困難な領域におけるモデルの性能はいかがなっているか？
• RQ5 スキップ接続を排除した簡素化されたアーキテクチャは、より高速なトレーニングと低メモリ使用量を実現しつつ、競争力ある性能を達成できるか？

主な発見

• V-FCNNは、54例のテスト患者において平均92.5%のDiceスコアを達成し、合計4752枚の心房スライスが評価された。
• 最高の性能は心房の中間領域で観察され、Diceスコアは94.25%（±1.28）に達し、中心的で心房の解剖学的構造に優れた一般化性能を示した。
• 上部および下部の領域では性能が低下し、それぞれ84.48%（±2.58）および76.33%（±7.05）のDiceスコアを示した。これは、肺静脈および弁平面領域の複雑さに起因する。
• ハイブリッド損失関数により、過剰セグメンテーションが効果的に低減され、グローバルな形状の忠実性（MSE）と局所的な境界精度（Dice）のバランスが取れた収束が実現された。
• スキップ接続の欠如により、トレーニングが高速化され、GPUメモリ使用量も削減されたが、微細構造におけるわずかな局所化精度の低下を伴った。
• 解像度の低下（640×640×88から127×127×88に）に対してもモデルは頑健であったが、この解像度低下が92.5%のDiceスコアの上限に寄与した可能性がある。