[논문 리뷰] Atrial Scar Quantification via Multi-scale CNN in the Graph-cuts Framework

Lei Li, Fuping Wu외 7명|arXiv (Cornell University)|2019. 02. 21.

Atrial Fibrillation Management and Outcomes참고 문헌 27인용 수 8

한 줄 요약

이 논문은 그래프 컷스 프레임워크 내에서 다중 척도 컨volution 신경망(MS-CNN)을 사용하여 늦은 가돌리늄 강화 MRI에서 왼쪽 심방(LA) 섬유화 영역을 완전 자동으로 정량화하는 방법을 제안한다. LA 내심막 표면 메쉬에 대한 잠재적 특성을 학습함으로써, 높은 정확도(0.856 ± 0.033)와 Dice 점수(0.702 ± 0.071)를 달성하였으며, 수동 초기화에 의존하는 전통적 방법들보다 유의하게 뛰어나다.

ABSTRACT

Late gadolinium enhancement magnetic resonance imaging (LGE MRI) appears to be a promising alternative for scar assessment in patients with atrial fibrillation (AF). Automating the quantification and analysis of atrial scars can be challenging due to the low image quality. In this work, we propose a fully automated method based on the graph-cuts framework, where the potentials of the graph are learned on a surface mesh of the left atrium (LA) using a multi-scale convolutional neural network (MS-CNN). For validation, we have employed fifty-eight images with manual delineations. MS-CNN, which can efficiently incorporate both the local and global texture information of the images, has been shown to evidently improve the segmentation accuracy of the proposed graph-cuts based method. The segmentation could be further improved when the contribution between the t-link and n-link weights of the graph is balanced. The proposed method achieves a mean accuracy of 0.856 +- 0.033 and mean Dice score of 0.702 +- 0.071 for LA scar quantification. Compared with the conventional methods, which are based on the manual delineation of LA for initialization, our method is fully automatic and has demonstrated significantly better Dice score and accuracy (p < 0.01). The method is promising and can be useful in diagnosis and prognosis of AF.

연구 동기 및 목표

• 저품질의 LGE-MRI 스캔에서 자동 LA 섬유화 영역 정량화의 과제를 해결하기 위해.
• 이전 방법에서 주요 병목 현상이었던 수동 LA 분할에 의존하는 것을 제거하기 위해.
• 딥러닝을 통해 다중 척도 무늬 특징을 활용하여 분할 정확도를 향상시키기 위해.
• LA 표면 메쉬에서 MS-CNN를 사용해 공간적으로 적응형 잠재적 특성을 학습시켜 그래프 컷스 성능을 향상시키기 위해.
• 수동으로 그려진 결과와 비교하여 기존 접근 방식보다 뛰어난 성능을 입증하기 위해.

제안 방법

• 왼쪽 심방 내심막 표면을 삼각형 메쉬로 투영하여 섬유화 영역을 표현한다.
• 지역적 및 전반적인 영상 무늬를 기반으로 그래프 컷스 프레임워크의 노드 잠재적 특성을 예측하기 위해 다중 척도 컨volution 신경망(MS-CNN)을 훈련시킨다.
• 그래프 컷스 에너지 함수는 t-link(Data) 및 n-link(부드러움) 항목을 통합하며, 가중치는 MS-CNN에 의해 학습된다.
• MS-CNN는 섬유화 영역과 관련된 계층적 무늬 패턴을 포착하기 위해 다양한 척도에서 영상 패치를 처리한다.
• 최종 분할 결과를 확보하기 위해 반복 조건 모드(ICM)를 사용하여 프레임워크를 최적화한다.
• 이 방법은 완전 자동으로 동작하며, 수동 초기화 또는 LA 분할이 필요하지 않다.

실험 결과

연구 질문

• RQ1 다중 척도 CNN는 저품질 LGE-MRI에서 정확한 LA 섬유화 영역 분할을 위한 영상 무늬 특징을 효과적으로 학습할 수 있는가?
• RQ2 MS-CNN가 예측한 잠재적 특성을 그래프 컷스 프레임워크에 통합함으로써 기존 방법보다 분할 성능이 향상되는가?
• RQ3 그래프 컷스 모델에서 t-link 및 n-link 가중치를 균형 있게 조정할 경우 섬유화 영역 정량화 정확도에 어떤 영향을 미치는가?
• RQ4 수동 초기화 기반 접근 방식과 비교할 때, 제안된 완전 자동 방법은 Dice 점수 및 정확도 측면에서 어떻게 성능을 내는가?
• RQ5 이 방법은 임상적 섬유화 평가에서 관찰자 간 변동성과 유사한 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 58명의 환자 스캔에서 LA 섬유화 영역 정량화에 평균 정확도 0.856 ± 0.033과 평균 Dice 점수 0.702 ± 0.071를 달성하였다.
• 수동 초기화에 의존하는 전통적 방법보다 유의미하게 뛰어난 성능을 보였으며, p < 0.01에서 유의미한 향상이 있었다.
• MS-CNN를 사용해 그래프 컷스 잠재적 특성을 학습시킴으로써 기존 그래프 컷스 기반 기준 대비 분할 정확도가 뚜렷이 향상되었다.
• 그래프 컷스 모델에서 t-link 및 n-link 가중치를 균형 있게 조정함으로써 분할 성능이 추가로 향상되었다.
• 결과는 관찰자 간 변동성(정확도: 0.867, Dice: 0.695)과 유사하여 임상적 의미를 지닌다.
• 이 방법은 심방세동의 자동 진단 및 예후 평가 잠재력이 높음을 보여준다.