[논문 리뷰] A Combined Deep-Learning and Deformable-Model Approach to Fully Automatic Segmentation of the Left Ventricle in Cardiac MRI

M. R. Avendi, Arash Kheradvar외 1명|arXiv (Cornell University)|2015. 12. 25.

Medical Image Segmentation Techniques참고 문헌 42인용 수 4

한 줄 요약

이 논문은 하이브리드 딥 러닝 및 변형 가능 모델 접근법을 사용하여 심장 MRI에서 완전 자동으로 심실의 좌심실(LV) 분할을 수행하는 방법을 제시한다. 심실 검출을 위해 컨volutional 네트워크를 활용하고, 형태 추론을 위해 스택드 오토에인코더를 사용하며, 이를 변형 가능 모델에 통합하여 정확도와 내성력을 향상시켰다. MICCAI 2009 데이터셋에서 0.94의 Dice 점수와 96.69%의 양호한 윤곽선 비율을 달성하여 기존 최고 수준의 방법들을 뛰어넘었다.

ABSTRACT

Segmentation of the left ventricle (LV) from cardiac magnetic resonance imaging (MRI) datasets is an essential step for calculation of clinical indices such as ventricular volume and ejection fraction. In this work, we employ deep learning algorithms combined with deformable models to develop and evaluate a fully automatic segmentation tool for the LV from short-axis cardiac MRI datasets. The method employs deep learning algorithms to learn the segmentation task from the ground true data. Convolutional networks are employed to automatically detect the LV chamber in MRI dataset. Stacked autoencoders are utilized to infer the shape of the LV. The inferred shape is incorporated into deformable models to improve the accuracy and robustness of the segmentation. We validated our method using 45 cardiac MR datasets taken from the MICCAI 2009 LV segmentation challenge and showed that it outperforms the state-of-the art methods. Excellent agreement with the ground truth was achieved. Validation metrics, percentage of good contours, Dice metric, average perpendicular distance and conformity, were computed as 96.69%, 0.94, 1.81mm and 0.86, versus those of 79.2%-95.62%, 0.87-0.9, 1.76-2.97mm and 0.67-0.78, obtained by other methods, respectively.

연구 동기 및 목표

• 수동 조작 없이 완전 자동으로, 내성적이며 정확한 심장 MRI에서의 좌심실 분할 방법을 개발하는 것.
• 기존의 전통적인 변형 가능 모델과 딥 러닝 방법의 한계를 보완하기 위해 각각의 강점을 융합하는 것.
• 강도 비균일성과 부분 체적 효과가 두드러지는 기저부 및 심첨부 영역에서의 분할 정확도를 향상시키는 것.
• 스택드 오토에인코더를 통해 학습된 형태 사전 지식을 통합함으로써 대규모이고 다양한 훈련 데이터셋에 대한 의존도를 감소시키는 것.
• 공개 벤치마크 데이터셋에서 방법을 검증하고, 기존 최고 수준의 접근법들과 비교하여 뛰어난 성능을 입증하는 것.

제안 방법

• 두 단계로 구성된 딥 러닝 파이프라인을 사용한다: 첫 번째로, 컨volutional 신경망(CNN)이 단축축 심장 MRI 슬라이스에서 좌심실 캐비티를 검출한다.
• 스택드 오토에인코더는 입력 MRI에서 심실의 전반적인 형태를 추론하여 심실 해부학적 형태의 압축되고 계층적인 표현을 학습한다.
• 추론된 형태는 변형 가능 모델의 초기화에 사용되며, 윤곽선의 매끄러움과 이미지 적합도를 최적화하여 분할을 정밀하게 보완한다.
• 변형 가능 모델은 오토에인코더에서 유도된 형태 사전 지식을 통합하여, 특히 저대비 또는 노이즈가 많은 영역에서 수렴성과 내성력을 향상시킨다.
• 훈련 및 검증은 MICCAI 2009 좌심실 분할 도전 대회에서 제공한 45개의 심장 MRI 데이터셋을 기반으로 하며, 과적합을 완화하기 위해 데이터 증강 기법을 적용한다.
• 프레임워크는 CPU 플랫폼에서 구현되었으며, 슬라이스당 분할 시간이 0.5초 이내이며, 향후 GPU 가속을 고려한 설계가 되어 있다.

실험 결과

연구 질문

• RQ1 단독으로 딥 러닝 또는 변형 가능 모델을 사용하는 것과 비교해 볼 때, 하이브리드 딥 러닝 및 변형 가능 모델 접근법이 뛰어난 분할 정확도를 달성할 수 있는가?
• RQ2 제한된 훈련 데이터에서 스택드 오토에인코더가 좌심실 형태 사전 지식을 얼마나 효과적으로 학습하고 일반화할 수 있는가?
• RQ3 딥 오토에인코더에서 유도된 형태 초기화가 도전적인 심첨부 및 기저부 슬라이스에서 내성성을 얼마나 향상시키는가?
• RQ4 학습된 형태 사전 지식의 통합이 심장 MRI에서 강도 비균일성과 노이즈에 대한 민감도를 줄이는 데 얼마나 효과적인가?
• RQ5 표준화된 벤치마크에서 제안된 방법은 기존 최고 수준의 방법들과 비교해 어떻게 정량적으로 우월한가?

주요 결과

• MICCAI 2009 데이터셋에서 양호한 윤곽선 비율이 96.69%에 달하여 이전 방법들(79.2%~95.62%)을 크게 뛰어넘었다.
• Dice 유사도 계수는 0.94에 도달하여 기존 최고 수준의 방법들(0.87~0.90)과 비교해 기준값과 강한 겹침을 보였다.
• 분할된 윤곽선과 기준 윤곽선 사이의 평균 수직 거리는 1.81 mm였으며, 다른 방법들이 보고한 1.76~2.97 mm 범위보다 낮았다.
• 일치도 지표는 0.86로, 기준 윤곽선과 높은 구조적 일致성을 보였으며, 경쟁 방법들의 0.67~0.78 범위를 초월하였다.
• 강도 변화와 부분 체적 효과가 가장 두드러지는 도전적인 기저부 및 심첨부 슬라이스에서도 뛰어난 내성성을 보였다.
• 슬라이스당 분할 시간은 0.5초 이내였으며, 대부분의 시간은 컨볼루션 네트워크와 변형 가능 모델의 통합 과정에서 소요되었다.