[논문 리뷰] Anatomically-Informed Deep Learning on Contrast-Enhanced Cardiac MRI for Scar Segmentation and Clinical Feature Extraction

Haley G. Abramson, Dan M. Popescu외 6명|arXiv (Cornell University)|2020. 10. 21.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 후기 가돌리늄 강화 심장 MRI(LGE-CMR)에서 좌심실 및 섬유화/피부염 세분화를 위한 완전 자동화된 해부학적 정보를 반영한 딥러닝 프레임워크인 ACSNet을 제시한다. 합성 'LGE 유사' 심장수축 영상으로 데이터 증강을 수행한 세 개의 연결된 U-Net 기반 네트워크를 사용하여 전문가 수준의 정확도(좌심실의 경우 96%의 균형 정확도, 섬유화의 경우 75%)를 달성하고, 관찰자 간 변동성이 최소화된 임상적으로 유의미한 특징 추출을 가능하게 한다.

ABSTRACT

Visualizing disease-induced scarring and fibrosis in the heart on cardiac magnetic resonance (CMR) imaging with contrast enhancement (LGE) is paramount in characterizing disease progression and quantifying pathophysiological substrates of arrhythmias. However, segmentation and scar/fibrosis identification from LGE-CMR is an intensive manual process prone to large inter-observer variability. Here, we present a novel fully-automated anatomically-informed deep learning solution for left ventricle (LV) and scar/fibrosis segmentation and clinical feature extraction from LGE-CMR. The technology involves three cascading convolutional neural networks that segment myocardium and scar/fibrosis from raw LGE-CMR images and constrain these segmentations within anatomical guidelines, thus facilitating seamless derivation of clinically-significant parameters. In addition to available LGE-CMR images, training used "LGE-like" synthetically enhanced cine scans. Results show excellent agreement with those of trained experts in terms of segmentation (balanced accuracy of $96\\%$ and $75\\%$ for LV and scar segmentation), clinical features ($2\\%$ difference in mean scar-to-LV wall volume fraction), and anatomical fidelity. Our segmentation technology is extendable to other computer vision medical applications and to problems requiring guidelines adherence of predicted outputs.

연구 동기 및 목표

• 수동적인 LGE-CMR 섬유화 및 심장내막 세분화의 높은 관찰자 간 변동성과 시간 소모 문제를 해결하기 위해 프로세스를 자동화하는 것.
• 딥러닝에 해부학적 제약 조건을 통합하여 다양한 영상 촬영 프로토콜과 병변에 걸쳐 세분화의 강건성을 향상시키는 것.
• 심부전 위험 평가를 위한 임상적 특징(예: 섬유화 대 좌심실 벽 부피 비율)의 정확하고 재현 가능한 추출을 가능하게 하는 것.
• 실제 LGE-CMR 데이터 부족 문제를 해결하기 위해 심장수축 MRI에 합성 'LGE 유사' 강화를 적용하여 훈련 데이터를 증강하는 것.
• 딥러닝 출력의 해부학적 정확성을 확보하여 혈역학적 및 섬유화 매개변수를 신뢰성 있게 유도할 수 있도록 하는 것.

제안 방법

• 세 개의 네트워크를 연결한 다단계 아키텍처: (1) 좌심실 세분화, (2) 심장내막 세분화, (3) 오토인코더 기반의 해부학적 사전 지식 학습.
• 스타일 전이를 사용하여 심장수축 MRI의 말기 수축기(ED) 영상에 합성 'LGE 유사' 강화를 적용하여 실제 LGE 스캔 없이도 훈련 데이터를 확장한다.
• 좌심실 및 심장내막 세분화 네트워크는 픽셀 수준과 영상 수준의 세분화 정확도를 동시에 최적화하기 위해 균형 잡힌 교차 엔트로피와 Tversky 손실의 가중 조합을 사용한다.
• Tversky 손실 함수는 false positive를 더 강하게 처벌하기 위해 beta 파rameter(좌심실의 경우 0.6, 심장내막의 경우 0.4)를 포함하여 경계 정밀도를 향상시킨다.
• 해부학적 제약 조건은 진단 마스크를 기반으로 훈련된 오토인코더를 통해 구현되며, 해부학적으로 타당한 상태를 표현하는 저차원 잠재 공간(d=16, p=6)을 학습한다.
• 후처리 단계로 3×3 타원형 커널을 사용한 형태학적 침식과 구성요소 필터링을 통해 작은 가짜 양성 결과를 제거한 후, FWHM 임계값 처리를 통해 밀도 높은 핵심 섬유화 영역을 분리한다.

실험 결과

연구 질문

• RQ1 완전 자동화된 딥러닝 프레임워크가 수동 개입 없이 LGE-CMR에서 좌심실 및 섬유화 세분화에서 전문가 수준의 정확도를 달성할 수 있는가?
• RQ2 심장수축 MRI에 합성 'LGE 유사' 강화를 통합함으로써 다양한 영상 촬영 프로토콜과 병변에 걸쳐 일반화 능력과 성능 향상이 이루어지는가?
• RQ3 오토인코더를 통한 해부학적 사전 지식의 통합이 딥러닝 출력의 세분화 정확도를 향상시키고 해부학적 이질성을 감소시키는가?
• RQ4 전문가 읽기 결과와 비교했을 때, 섬유화 대 좌심실 벽 부피 비율과 같은 임상적으로 중요한 특징을 얼마나 잘 유지하는가?
• RQ5 모델은 좌심실의 꼭지부, 중간부, 기저부 등 다양한 심장 부위에서 세분화 일致성과 정확도 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• 이 방법은 좌심실 세분화에서 96%의 균형 정확도, 섬유화/섬유화 세분화에서 75%의 정확도를 달성하여 전문가 주석과 강한 일致성을 보였다.
• ACSNet 세분화에서 계산된 섬유화 대 좌심실 벽 부피 비율은 전문가 기반 값과 겨우 2%의 차이를 보이며, 높은 임상적 유의성을 나타냈다.
• 모델은 모든 심장 부위(꼭지부, 중간부, 기저부)에서 일관된 성능을 유지하여 평균 기반 평가에서 흔히 발생하는 고성능 이질성 문제를 피했다.
• 합성 'LGE 유사' 심장수축 영상의 사용은 데이터 효율성과 일반화 능력을 크게 향상시켰으며, 특히 실제 LGE-CMR 데이터셋이 제한된 상황에서 유의미했다.
• 형태학적 침식과 구성요소 필터링을 통한 후처리 조치는 가짜 양성 결과를 감소시키고 세분화 정확도를 향상시켰지만 진짜 양성 결과 탐지 능력은 손상시키지 않았다.
• 최종 모델는 NLL 및 AIC 기준을 바탕으로 재구성 정확도와 모델 복잡도 사이의 균형을 고려해 d=16의 잠재 공간 차원과 p=6개의 성분을 선택했다.