[논문 리뷰] A Novel Deep Learning Based Approach for Left Ventricle Segmentation in Echocardiography: MFP-Unet

Shakiba Moradi, Mostafa Ghelich Oghli외 6명|arXiv (Cornell University)|2019. 06. 25.

Cardiac Valve Diseases and Treatments참고 문헌 59인용 수 156

한 줄 요약

이 논문은 2차원 에코카디오그래피에서 심실의 분할 정확도를 향상시키기 위해 다중 수준 디코더 특징 맵을 깊이 등치 및 업샘플링 이후 융합하는 MFP-Unet이라는 새로운 U-Net 변종을 제안한다. 이 방법은 최종 의미 분류 이전에 특징을 융합함으로써 상태의 기준 성능을 달성하였으며, Dice 점수 0.945, Hausdorff 거리 1.62, 기능 매개변수에서 높은 임상적 일치도를 기록하였다.

ABSTRACT

Segmentation of the Left ventricle (LV) is a crucial step for quantitative measurements such as area, volume, and ejection fraction. However, the automatic LV segmentation in 2D echocardiographic images is a challenging task due to ill-defined borders, and operator dependence issues (insufficient reproducibility). U-net, which is a well-known architecture in medical image segmentation, addressed this problem through an encoder-decoder path. Despite outstanding overall performance, U-net ignores the contribution of all semantic strengths in the segmentation procedure. In the present study, we have proposed a novel architecture to tackle this drawback. Feature maps in all levels of the decoder path of U-net are concatenated, their depths are equalized, and up-sampled to a fixed dimension. This stack of feature maps would be the input of the semantic segmentation layer. The proposed network yielded state-of-the-art results when comparing with results from U-net, dilated U-net, and deeplabv3, using the same dataset. An average Dice Metric (DM) of 0.945, Hausdorff Distance (HD) of 1.62, Jaccard Coefficient (JC) of 0.97, and Mean Absolute Distance (MAD) of 1.32 are achieved. The correlation graph, bland-altman analysis, and box plot showed a great agreement between automatic and manually calculated volume, area, and length.

연구 동기 및 목표

• 에코카디오그래픽 영상에서 수동으로 심실을 분할할 경우 재현성 부족과 관찰자 간 변동성이 큰 문제를 해결하기 위해.
• U-Net의 한계를 보완하기 위해 모든 디코더 수준의 의미적 강점을 통합하기 위해.
• 저대비도, 스펙클 노이즈가 심하고 경계가 뚜렷하지 않은 에코카디오그래픽 영상에서 분할 정확도를 향상시키기 위한 딥러닝 모델을 개발하기 위해.
• 용적, 심실출정률, 면적 측정치에서 수동 분할과 일치하는 임상적으로 신뢰할 수 있는 분할 결과를 달성하기 위해.

제안 방법

• 제안된 MFP-Unet 아키텍처는 디코더의 모든 수준에서 특징 맵을 깊이 등치 및 업샘플링하여 고정된 차원으로 통일한 후 연결함으로써 U-Net을 확장한다.
• 확장 컨볼루션을 사용하여 침습률이 2인 경우에 다중 척도 특징 피라미드를 구성함으로써 파라미터 수를 늘리지 않고 수용 영역을 확장한다.
• 모서리 대비를 향상시키고 특징 학습을 개선하기 위해 k=2로 설정된 Niblack의 국소 임계처리를 사용한 전처리 입력 레이어를 추가한다.
• 공간 해상도 유지 및 기울기 흐름 확보를 위해 인코더와 디코더 경로 사이에 스킵 연결을 유지한다.
• 최종 의미 분류 레이어는 스택된 다중 수준 특징 맵을 처리하여 정밀한 심실 경계 예측을 생성한다.
• 수동 기준값이 있는 2차원 4심실 에코카디오그래픽 영상 데이터셋을 사용하여 지도 학습 기반으로 네트워크를 종합적으로 훈련시킨다.

실험 결과

연구 질문

• RQ1 다중 수준 디코더 특징을 융합하는 것이 도전적인 에코카디오그래픽 영상에서 심실 분할 정확도를 향상시키는가?
• RQ2 낮은 확장률을 가진 확장 컨볼루션을 통합하면 모델 복잡도를 증가시키지 않고도 특징 표현을 향상시키는가?
• RQ3 MFP-Unet은 U-Net, 확장 U-Net, DeepLabv3와 비교해 분할 지표 및 임상 매개변수 일관성 측면에서 어떻게 성능을 내는가?
• RQ4 제안된 방법이 심실 기능 매개변수 추정에서 관찰자 간 변동성을 어느 정도 감소시키는가?
• RQ5 작고 다양한 훈련 세트로도 높은 정확도를 달성할 수 있는가?

주요 결과

• MFP-Unet은 수동 분할과의 겹침을 높이는 Dice 점수 0.945를 기록하였다.
• Hausdorff 거리는 1.62로 최대 경계 오차가 최소임을 반영하였다.
• Jaccard 계수는 0.97에 도달하여 강력한 분할 일관성을 확인하였다.
• 평균 절대 거리는 1.32로 경계 위치 추정의 높은 정밀도를 나타내었다.
• Bland-Altman 및 상관 분석 결과, 자동 측정치와 수동 측정치 간의 용적, 수축기 용적, 심실출정률에 대해 편향이 거의 없고 강한 일치도를 보였다.
• 박스플롯 분석을 통해 MFP-Unet이 심실출정률 추정에서 가장 좁은 사분위간 범위와 최소한의 이상치를 보이며 우수한 성능을 보였다.