[논문 리뷰] Accuracy, Uncertainty, and Adaptability of Automatic Myocardial ASL Segmentation using Deep CNN

P Hung, Yi Guo외 2명|arXiv (Cornell University)|2018. 12. 10.

Advanced MRI Techniques and Applications참고 문헌 40인용 수 4

한 줄 요약

이 연구는 심장 혈류량 영상에서 자동으로 심장 근육 조직을 분할하기 위한 딥 컨volution 신경망(U-Net에 몬테카를로 드롭아웃 적용)을 제안한다. 이는 고정확도(Dice 점수: 0.91±0.04)를 달성하며, 학습 가능한 β를 가진 Tversky 손실 함수를 통해 가짜 양성과 가짜 음성 간의 적응형 트레이드오프 제어와 함께 불확실성 추정 기능도 제공한다. 이 방법은 수작업 분할 결과와 비교해 매우 높은 상관관계(R² = 0.96)를 보이며 심장 근육 혈류량 정량화에 유리하다.

ABSTRACT

PURPOSE: To apply deep CNN to the segmentation task in myocardial arterial spin labeled (ASL) perfusion imaging and to develop methods that measure uncertainty and that adapt the CNN model to a specific false positive vs. false negative tradeoff. METHODS: The Monte Carlo dropout (MCD) U-Net was trained on data from 22 subjects and tested on data from 6 heart transplant recipients. Manual segmentation and regional myocardial blood flow (MBF) were available for comparison. We consider two global uncertainty measures, named Dice Uncertainty and MCD Uncertainty, which were calculated with and without the use of manual segmentation, respectively. Tversky loss function with a hyperparameter $β$ was used to adapt the model to a specific false positive vs. false negative tradeoff. RESULTS: The MCD U-Net achieved Dice coefficient of mean(std) = 0.91(0.04) on the test set. MBF measured using automatic segmentations was highly correlated to that measured using the manual segmentation ($R^2$ = 0.96). Dice Uncertainty and MCD Uncertainty were in good agreement ($R^2$ = 0.64). As $β$ increased, the false positive rate systematically decreased and false negative rate systematically increased. CONCLUSION: We demonstrate the feasibility of deep CNN for automatic segmentation of myocardial ASL, with good accuracy. We also introduce two simple methods for assessing model uncertainty. Finally, we demonstrate the ability to adapt the CNN model to a specific false positive vs. false negative tradeoff. These findings are directly relevant to automatic segmentation in quantitative cardiac MRI and are broadly applicable to automatic segmentation problems in diagnostic imaging.

연구 동기 및 목표

• 심장 혈류량 영상에서 동맥 스핀 레이블링(ASL)을 이용한 심장 근육 조직 분할을 위한 정확하고 자동화된 방법 개발.
• 수작업 레이블이 필요 없이 딥 러닝 기반 분할에서의 모델 불확실성 정량화.
• 임상적 분할 작업에서 가짜 양성과 가짜 음성 간 트레이드오프를 적응적으로 제어할 수 있도록 하기.
• 심장 이식 수혜자로 구성된 임상 코hort에서, 수작업 분할 및 MBF 측정치를 기준으로 한 진정성 데이터를 활용해 방법 검증.

제안 방법

• 22명의 환자에서 훈련된 몬테카를로 드롭아웃(MCD)이 적용된 U-Net 아키텍처를 사용해 ASL 영상에서 자동으로 심장 근육 분할을 수행.
• 두 가지 불확실성 측정 방법을 도입: 수작업 분할을 기준으로 한 Dice 불확실성과 수작업 레이블에 의존하지 않는 MCD 불확실성.
• 가짜 양성과 가짜 음성 오류 간 균형을 제어하기 위해 학습 가능한 하이퍼파rameter β를 가진 Tversky 손실 함수 사용.
• 검증을 위해 수작업 분할 및 국소 심장 근육 혈류량(MBF) 측정치가 확보된 6명의 독립된 심장 이식 수혜자에서 모델 테스트.
• Dice 불확실성과 MCD 불확실성 간 일치도 평가 결과 R² = 0.64를 기록.
• β의 영향이 다양한 가짜 양성 및 가짜 음성 비율에서 분할 성능에 미치는 영향을 체계적으로 분 析.

실험 결과

연구 질문

• RQ1 몬테카를로 드롭아웃을 적용한 딥 CNN이 수작업 분할이 없이도 심장 ASL 분할에 대해 신뢰할 수 있는 불확실성 추정을 제공할 수 있는가?
• RQ2 수작업 분할이 가능할 경우, 모델의 불확실성은 진정성 데이터와 얼마나 잘 상관되는가?
• RQ3 조절 가능한 β 파rameter를 가진 Tversky 손실 함수는 심장 근육 분할에서 가짜 양성과 가짜 음성 간 트레이드오프를 어느 정도 효과적으로 제어할 수 있는가?
• RQ4 자동 분할이 수작업 분할과 비교해 심장 근육 혈류량(MBF) 값의 정량적 유지 능력은 얼마나 높은가?
• RQ5 높은 정확도와 견고한 불확실성 추정 기능을 유지하면서, 모델은 새로운 임상 데이터에 효과적으로 일반화되는가?

주요 결과

• MCD U-Net는 6명의 심장 이식 수혜자로 구성된 테스트 세트에서 평균 Dice 계수 0.91(표준편차 0.04)를 달성했다.
• 자동 분할에서 유도된 심장 근육 혈류량(MBF) 값은 수작업 분할 결과와 매우 높은 상관관계(R² = 0.96)를 보였다.
• Dice 불확실성과 MCD 불확실성 간 중간 수준의 유의미한 일치도(R² = 0.64)를 보였으며, 이는 MCD 불확실성이 수작업 레이블 없이도 신뢰할 수 있는 불확실성 대체 지표가 될 수 있음을 시사한다.
• Tversky 손실의 하이퍼파rameter β가 증가함에 따라 가짜 양성 비율은 체계적으로 감소하고 가짜 음성 비율은 증가하는 경향을 보였으며, 이는 효과적인 트레이드오프 제어를 입증한다.
• 모델는 새로운 임상 데이터에 대해 높은 분할 정확도와 신뢰할 수 있는 불확실성 정량화를 유지하며 강력한 일반화 능력을 보였다.
• 불확실성 추정과 적응형 손실 최적화의 통합은 정량적 심장 MRI에서 딥 러닝의 임상 적용 가능성을 향상시킨다.