[논문 리뷰] AtrialGeneral: Domain Generalization for Left Atrial Segmentation of Multi-Center LGE MRIs

Lei Li, Veronika A. Zimmer외 2명|arXiv (Cornell University)|2021. 06. 16.

Cardiac Valve Diseases and Treatments참고 문헌 17인용 수 4

한 줄 요약

이 논문은 다중 센터 레이트 가돌리니움-강화 MRI(LGE-MRI)에서 심방의 분할을 위한 도메인 일반화 프레임워크인 AtrialGeneral을 제안한다. 다양한 스캐너와 기관 간의 도메인 이동으로 인한 성능 저하 문제를 해결한다. 히스토그램 매칭, 상호정보 기반 분리 표현, 무작위 스타일 전이의 세 가지 도메인 일반화 전략을 평가하였으며, 단순한 히스토그램 매칭이 가장 뛰어난 성능을 보였고, unseen 도메인에서 DICE 스코어를 0.678에서 0.772로 향상시켰다.

ABSTRACT

Left atrial (LA) segmentation from late gadolinium enhanced magnetic resonance imaging (LGE MRI) is a crucial step needed for planning the treatment of atrial fibrillation. However, automatic LA segmentation from LGE MRI is still challenging, due to the poor image quality, high variability in LA shapes, and unclear LA boundary. Though deep learning-based methods can provide promising LA segmentation results, they often generalize poorly to unseen domains, such as data from different scanners and/or sites. In this work, we collect 210 LGE MRIs from different centers with different levels of image quality. To evaluate the domain generalization ability of models on the LA segmentation task, we employ four commonly used semantic segmentation networks for the LA segmentation from multi-center LGE MRIs. Besides, we investigate three domain generalization strategies, i.e., histogram matching, mutual information based disentangled representation, and random style transfer, where a simple histogram matching is proved to be most effective.

연구 동기 및 목표

• 다중 센터 LGE-MRI에서 심방 분할을 위한 딥러닝 모델의 도메인 일반화 성능을 평가하는 것.
• 다른 스캐너와 영상 센터 간의 도메인 이동으로 인한 성능 저하를 완화하기 위해 도메인 일반화 전략이 효과적인지 조사하는 것.
• 히스토그램 매칭, 상호정보 기반 분리 표현, 무작위 스타일 전이의 세 가지 도메인 일반화 기법이 LGE-MRI에서 심방 분할에 얼마나 효과적인지 비교하는 것.
• 심방 레이저 치료 전후 LGE-MRI 스캔 간 분할 성능의 차이를 분석하는 것.
• 다중 센터 LGE-MRI 응용 분야에서 임상적 구현에 가장 효과적이고 실용적인 도메인 일반화 방법을 규명하는 것.

제안 방법

• 연구는 네 가지 표준 U-Net 기반 분할 모델을 사용한다: U-Net, U-Net++, DeepLab v3+, MAnet. 이 모든 모델은 다중 센터 LGE-MRI 데이터로 훈련된다.
• 도메인 일반화는 히스토그램 매칭(HM), 상호정보 기반 분리 표현(MID), 무작위 스타일 전이(RST)의 세 가지 전략을 사용하여 훈련 중에 적용된다.
• 히스토그램 매칭은 대상 도메인 영상의 강도 분포를 소스 도메인의 분포에 맞추어 정렬함으로써, 모델 재학습 없이 도메인 이동을 감소시킨다.
• 상호정보 기반 분리 표현은 콘텐츠와 도메인 특화 표현을 분리하여 도메인 불변 특징을 학습하는 것을 목표로 한다.
• 무작위 스타일 전이는 훈련 중에 소스 도메인의 스타일 통계를 대상 영상에 무작위로 전이함으로써 데이터 증강을 적용한다.
• 모델 평가는 다양한 기관과 스캔 유형(치료 전 및 후)의 unseen 도메인에서 DICE 스코어, 평균 표면 거리(ASD), 하우스도르프 거리(HD)를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 다른 기관과 스캐너에서의 unseen 도메인에서 테스트했을 때, 표준 딥러닝 분할 모델은 심방 분할에서 어떤 성능을 보이는가?
• RQ2 히스토그램 매칭, 상호정보 기반 분리, 또는 무작위 스타일 전이 중 어느 도메인 일반화 전략이 다중 센터 LGE-MRI에서 심방 분할에 가장 뛰어난 일반화 성능을 낼 수 있는가?
• RQ3 심방 레이저 치료 전후 LGE-MRI 스캔 간 심방 분할 모델의 성능에 유의미한 차이가 있는가?
• RQ4 도메인 일반화 전략의 사용이 다양한 영상 프rotocol과 스캐너 제조사 간의 분할 정확도 향상에 기여하는가?
• RQ5 이 임상 환경에서 단순한 히스토그램 매칭이 더 복잡한 도메인 일반화 방법보다 뛰어난 성능을 내는 이유는 무엇인가?

주요 결과

• 모든 네 가지 베이스라인 분할 모델(U-Net, U-Net++, DeepLab v3+, MAnet)은 unseen 도메인에서 심각한 성능 저하를 보였으며, 도메인 일반화 적용 시 DICE 스코어가 약 0.68에서 약 0.77로 향상되었다.
• 히스토그램 매칭은 unseen 도메인 테스트 세트에서 최고의 DICE 스코어 0.772 ± 0.089를 기록했으며, MID-Net(0.741 ± 0.064)과 RST-Net(0.756 ± 0.090)을 유의미하게 뛰어넘었다.
• 히스토그램 매칭은 하우스도르프 거리를 42.7 ± 8.62 mm(베이스라인)에서 26.5 ± 5.30 mm로 감소시켜 unseen 데이터에서 경계 정확도 향상을 보였다.
• 평균 표면 거리(ASD)는 히스토그램 매칭으로 인해 6.19 ± 1.65 mm(베이스라인)에서 3.76 ± 1.04 mm로 감소하여 표면 정확도 향상을 확인했다.
• MID-Net과 RST-Net은 DICE 성능이 유사했지만, 히스토그램 매칭에 비해 ASD와 HD 값이 열악하여 경계 예측의 정밀도가 떨어졌다.
• 치료 전 LGE-MRI에서 분할 성능가 더 일관되었으며, DICE와 HD의 표준편차가 낮아 치료 후 스캔에 비해 더 높은 안정성을 보였다.