[논문 리뷰] AtrialJSQnet: A New Framework for Joint Segmentation and Quantification of Left Atrium and Scars Incorporating Spatial and Shape Information

Lei Li, Veronika A. Zimmer외 2명|arXiv (Cornell University)|2020. 08. 11.

Advanced MRI Techniques and Applications참고 문헌 41인용 수 5

한 줄 요약

AtrialJSQnet는 공간적 및 형태 정보를 통합하여 후기 가돌리늄 강화 MRI에서 좌심방(LA) 분할 및 상처 정량화를 동시에 수행하는 새로운 딥러닝 프레임워크이다. 형태 주의(attention)를 통해 은닉 표면 투영을 구현하고 공간 인코딩 손실을 도입하여 정확도와 일반화 능력을 향상시켜, 부정맥 레이저 치료 전후 및 다중 센터 LGE-MRI 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Left atrial (LA) and atrial scar segmentation from late gadolinium enhanced magnetic resonance imaging (LGE MRI) is an important task in clinical practice. %, to guide ablation therapy and predict treatment results for atrial fibrillation (AF) patients. The automatic segmentation is however still challenging, due to the poor image quality, the various LA shapes, the thin wall, and the surrounding enhanced regions. Previous methods normally solved the two tasks independently and ignored the intrinsic spatial relationship between LA and scars. In this work, we develop a new framework, namely AtrialJSQnet, where LA segmentation, scar projection onto the LA surface, and scar quantification are performed simultaneously in an end-to-end style. We propose a mechanism of shape attention (SA) via an explicit surface projection, to utilize the inherent correlation between LA and LA scars. In specific, the SA scheme is embedded into a multi-task architecture to perform joint LA segmentation and scar quantification. Besides, a spatial encoding (SE) loss is introduced to incorporate continuous spatial information of the target, in order to reduce noisy patches in the predicted segmentation. We evaluated the proposed framework on 60 LGE MRIs from the MICCAI2018 LA challenge. Extensive experiments on a public dataset demonstrated the effect of the proposed AtrialJSQnet, which achieved competitive performance over the state-of-the-art. The relatedness between LA segmentation and scar quantification was explicitly explored and has shown significant performance improvements for both tasks. The code and results will be released publicly once the manuscript is accepted for publication via https://zmiclab.github.io/projects.html.

연구 동기 및 목표

• 저해상도 영상, 변동성이 큰 LA 형태, 얇은 벽, 주변 강화 등으로 인해 LGE-MRI에서 자동으로 좌심방 및 상처 분할을 수행하는 데 어려움을 해결하기 위해.
• 독립적인 분할 및 정량화 워크플로우의 한계를 극복하기 위해 종단간(end-to-end) 프레임워크에서 좌심방 분할, 상처 투영, 상처 정량화를 통합함으로써 통합적인 접근을 제공하기 위해.
• 좌심방 공동과 상처 간의 공간적 및 형태적 관계를 형태 주의 및 공간 인코딩을 통해 명시적으로 모델링하기 위해.
• 부정맥 레이저 치료 전후 및 다중 센터 LGE-MRI 데이터셋에서 모델의 일반화 능력을 평가하여 임상 MRI에서의 도메인 이동 문제를 해결하기 위해.

제안 방법

• 좌심방 분할, 상처를 좌심방 표면에 투영, 상처 정량화를 동시에 수행하는 다중 작업 딥러닝 아키텍처를 도입한다.
• 좌심방 표면을 주의 마스크로 사용하여 예측된 상처 확률 맵에 대해 형태 주의(SA) 메커니즘을 적용함으로써, 명시적인 벽 분할 없이도 상처를 좌심방 표면에 효과적으로 투영한다.
• 정답의 거리 변환 맵(DTM) 기반으로 설계된 공간 인코딩(SE) 손실을 도입하여 연속적인 공간 정보를 인코딩함으로써 노이즈가 많은 예측을 감소시킨다.
• 가능한 은닉 표면 투영을 통해 종단간 훈련을 가능하게 하며, 공간적 감독을 제공한다.
• 다중 해상도 특징과 잔차 U-Net 유사 백본을 활용하여 LGE-MRI에서 강력한 특징 추출을 수행한다.
• 종단간 최적화를 통해 함께 훈련함으로써 좌심방 분할과 상처 정량화 간 상호 개선 효과를 유도한다.

실험 결과

연구 질문

• RQ1 독립적인 처리 방식과 비교해 볼 때, 좌심방 및 상처의 통합 분할과 정량화가 성능 향상에 기여하는가?
• RQ2 명시적인 벽 분할 없이도 표면 투영을 통한 형태 주의가 상처 국소화 및 정량화에 얼마나 효과적인가?
• RQ3 연속적인 공간 정보를 통합함으로써 공간 인코딩 손실이 분할 정확도를 얼마나 향상시키는가?
• RQ4 AtrialJSQnet 프레임워크는 다양한 촬영 프로토콜, 특히 부정맥 레이저 치료 전후 및 다중 센터의 후방 LGE-MRI 데이터에서 얼마나 일반화 가능한가?
• RQ5 공간 및 형태 사전 지식을 통합함으로써 저대비, 다양한 기하학적 형태를 띠는 LGE-MRI에서 노이즈를 크게 줄이고 정확도를 향상시킬 수 있는가?

주요 결과

• 좌심방 분할에서 AtrialJSQnet는 평균 Dice 스코어 0.913과 하우스도르프 거리 20.0 mm를 기록하여, 인식자 간 변동성(각각 Dice = 0.894, HD = 17.0 mm)에 근접한 성능을 달성했다.
• 상처 정량화에서는 정확도 0.867과 Dice 스코어 0.543을 기록했으며, 인식자 간 일치 수준(정확도 = 0.891, Dice = 0.580)에 약간 미치지 못했다.
• 통합 최적화 방식이 각각 별도로 훈련된 작업 대비 좌심방 분할 및 상처 정량화 성능을 크게 향상시켰다.
• 공간 인코딩(SE) 손실은 정답의 거리 변환 맵을 통해 연속적인 공간 감독 정보를 통합함으로써 분할 출력의 노이즈 패치를 감소시켰다.
• 모델는 강력한 도메인 일반화 능력을 보였으며, 분포 이동이 발생하더라도 부정맥 레이저 치료 전후 및 다중 센터 LGE-MRI 데이터셋에서 경쟁적인 성능을 유지했다.
• 형태 주의 메커니즘은 상처를 좌심방 표면에 효과적으로 투영하여, 명시적인 벽 분할이 필요 없이도 공간 정밀도를 유지하는 데 성공했다.