[논문 리뷰] A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging

Zhaohan Xiong, Qing Xia외 42명|arXiv (Cornell University)|2020. 04. 26.

Advanced MRI Techniques and Applications참고 문헌 38인용 수 13

한 줄 요약

이 논문은 전 세계에서 가장 큰 데이터셋인 154개의 3D LGE-MRI를 사용하여 후기 가돌리늄 강화 심장 MRI(LGE-MRI)에서의 분할을 위한 27개 알고리즘의 대규모 벤치마크를 제시한다. 전문가가 레이블링한 심방의 좌측 레이어를 포함한다. 최고의 성능을 보인 방법은 93.2%의 딱스 점수와 0.7 mm의 평균 표면 간격을 기록했으며, 먼저 관심 영역을 국소화한 다음 분할을 정밀하게 다듬는 이중 CNN 파이프라인 방식이 단일 CNN 접근 방식보다 뚜렷이 뛰어난 성능을 보임을 입증한다.

ABSTRACT

Segmentation of cardiac images, particularly late gadolinium-enhanced magnetic resonance imaging (LGE-MRI) widely used for visualizing diseased cardiac structures, is a crucial first step for clinical diagnosis and treatment. However, direct segmentation of LGE-MRIs is challenging due to its attenuated contrast. Since most clinical studies have relied on manual and labor-intensive approaches, automatic methods are of high interest, particularly optimized machine learning approaches. To address this, we organized the "2018 Left Atrium Segmentation Challenge" using 154 3D LGE-MRIs, currently the world's largest cardiac LGE-MRI dataset, and associated labels of the left atrium segmented by three medical experts, ultimately attracting the participation of 27 international teams. In this paper, extensive analysis of the submitted algorithms using technical and biological metrics was performed by undergoing subgroup analysis and conducting hyper-parameter analysis, offering an overall picture of the major design choices of convolutional neural networks (CNNs) and practical considerations for achieving state-of-the-art left atrium segmentation. Results show the top method achieved a dice score of 93.2% and a mean surface to a surface distance of 0.7 mm, significantly outperforming prior state-of-the-art. Particularly, our analysis demonstrated that double, sequentially used CNNs, in which a first CNN is used for automatic region-of-interest localization and a subsequent CNN is used for refined regional segmentation, achieved far superior results than traditional methods and pipelines containing single CNNs. This large-scale benchmarking study makes a significant step towards much-improved segmentation methods for cardiac LGE-MRIs, and will serve as an important benchmark for evaluating and comparing the future works in the field.

연구 동기 및 목표

• 후기 가돌리늄 강화 심장 MRI(LGE-MRI)에서 자동으로 심방을 분할하는 데 위한 글로벌 기준을 수립하기 위해.
• 전문가가 검증한 레이블이 있는 대규모 표준화된 데이터셋에서 다양한 딥 러닝 알고리즘의 성능을 평가하고 비교하기 위해.
• 저대비 LGE-MRI에서 CNN 기반 분할에 최적의 아키텍처와 하이퍼파라미터 선택을 규명하기 위해.
• 향후 심장 MRI 분할 분야의 연구를 위한 종합적이고 재현 가능한 기준을 제공하기 위해.

제안 방법

• 2018년 심방 분할 챌린지를 조직하여, 세 명의 전문 레이저의 전문가 레이블이 부여된 154개의 3D LGE-MRI 스캔을 수집하였다.
• 이중 CNN 아키텍처를 평가하였으며, 첫 번째 네트워크는 관심 영역을 국소화하고, 두 번째 네트워크는 정밀한 분할을 수행한다.
• 기술적 지표(딱스 점수, 표면 간격 거리)와 생물학적 타당성 평가를 통해 알고리즘을 평가하였다.
• 하이퍼파라미터 튜닝과 하위군 분석을 통해 다양한 모델 간의 견고한 설계 패턴을 규명하였다.
• 전통적이고 최신의 딥 러닝 아키텍처를 포함한 벤치마크는 표준화된 평가 프로토콜을 수반하였다.
• 정량적 지표와 함께 분할 정확도 및 해부학적 타당성에 대한 정성적 분석을 통해 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 저대비 LGE-MRI 스캔에서 최신 딥 러닝 모델이 심방을 분할하는 데에 어떤 성능을 보이는가?
• RQ2 이중 CNN 파이프라인은 단일 CNN 아키텍처에 비해 분할 정확도와 내성 면에서 어떻게 비교되는가?
• RQ3 심장 MRI 분할에서 최적의 성능을 내기 위해 어떤 아키텍처 및 하이퍼파라미터 선택이 필요한가?
• RQ4 모델 설계가 분할 결과의 해부학적 타당성과 임상적 관련성에 얼마나 큰 영향을 미치는가?
• RQ5 제안된 벤치마크는 향후 심장 MRI 분할 알고리즘의 개발과 비교를 어떻게 지원하는가?

주요 결과

• 최고의 성능을 보인 알고리즘이 93.2%의 딱스 점수를 기록하여 이전의 최고 성능 방법을 뛰어넘었다.
• 최상의 방법의 평균 표면 간격 거리는 0.7 mm였으며, 이는 높은 기하학적 정밀도를 의미한다.
• 이중 CNN 파이프라인—초기 관심 영역 국소화 후 정밀 분할 수행—은 단일 CNN 접근 방식에 비해 뛰어난 성능을 보였다.
• 이 연구는 아키텍처 설계 선택, 특히 순차적이고 다단계 네트워크의 사용이 분할 정확도에 상당한 영향을 미친다는 것을 밝혀냈다.
• 하이퍼파라미터 분석 결과, 학습률, 네트워크 깊이, 손실 함수의 세심한 튜닝이 모델 일반화 능력을 크게 향상시켰다.
• 벤치마크 데이터셋과 평가 프레임워크는 이제 심장 LGE-MRI 분할 분야의 향후 연구를 위한 표준 기준이 되었다.