[논문 리뷰] Automated cardiovascular magnetic resonance image analysis with fully convolutional networks

Wenjia Bai, Matthew Sinclair외 21명|arXiv (Cornell University)|2017. 10. 25.

Cardiac Imaging and Diagnostics참고 문헌 24인용 수 4

한 줄 요약

이 논문은 단축축 및 장축 심장 자기공명 영상(short-axis and long-axis cardiovascular magnetic resonance, CMR)에서 심장 구조물의 자동 분할을 위한 완전 컨volution 네트워크(Fully Convolutional Network, FCN) 기반 방법을 제안한다. 4,875명의 UK 바이오뱅크 참가자와 93,500개의 픽셀 단위 레이블을 기반으로 훈련된 모델은 좌심실 및 우심실 부피, 심실출구율(ejection fraction), 심장근육량 측정에서 인간 전문가 수준의 정확도를 달성하였으며, 좌심실 심실강의 덱스 점수는 0.94, 수동 추적과 비교한 끝 diastolic 부피의 평균 절대 오차는 6.1 mL였다.

ABSTRACT

Cardiovascular magnetic resonance (CMR) imaging is a standard imaging modality for assessing cardiovascular diseases (CVDs), the leading cause of death globally. CMR enables accurate quantification of the cardiac chamber volume, ejection fraction and myocardial mass, providing information for diagnosis and monitoring of CVDs. However, for years, clinicians have been relying on manual approaches for CMR image analysis, which is time consuming and prone to subjective errors. It is a major clinical challenge to automatically derive quantitative and clinically relevant information from CMR images. Deep neural networks have shown a great potential in image pattern recognition and segmentation for a variety of tasks. Here we demonstrate an automated analysis method for CMR images, which is based on a fully convolutional network (FCN). The network is trained and evaluated on a large-scale dataset from the UK Biobank, consisting of 4,875 subjects with 93,500 pixelwise annotated images. The performance of the method has been evaluated using a number of technical metrics, including the Dice metric, mean contour distance and Hausdorff distance, as well as clinically relevant measures, including left ventricle (LV) end-diastolic volume (LVEDV) and end-systolic volume (LVESV), LV mass (LVM); right ventricle (RV) end-diastolic volume (RVEDV) and end-systolic volume (RVESV). By combining FCN with a large-scale annotated dataset, the proposed automated method achieves a high performance on par with human experts in segmenting the LV and RV on short-axis CMR images and the left atrium (LA) and right atrium (RA) on long-axis CMR images.

연구 동기 및 목표

• 수동 분할이 시간이 오래 걸리고 주관적인 임상적 과제를 해결하기 위해 자동화되고 객관적인 대안을 개발하기 위해.
• 수만 건의 CMR 스캔을 고속으로 정확하게 분석할 수 있어야 하는 대규모 인구 영상 연구, 예를 들어 UK 바이오뱅크와 같은 연구를 가능하게 하기 위해.
• 딥 러닝 모델이 다양한 심장 영상 시각에서 심장 구조물을 분할하는 데 있어 인간 전문가 성능을 따라하거나 초월할 수 있음을 입증하기 위해.
• 대규모의 공개 가능하고 수동으로 레이블이 붙은 데이터셋을 활용하여 자동 CMR 분석의 기준을 설정하기 위해.

제안 방법

• 완전 컨볼루션 네트워크(FCN)는 단축축 및 장축 CMR 영상에서 심장 구조물의 픽셀 단위 분할을 수행하도록 엔드 투 엔드로 훈련된다.
• 분할 정확도 향상을 위해 스킵 연결을 통한 다중 척도 특징 융합 기법을 사용한다.
• 4,875명의 UK 바이오뱅크 참가자로 구성된 대규모 데이터셋을 사용하여 훈련되며, 좌심실 및 우심실, 좌심방 및 우심방을 포함한 총 93,500개의 수동 레이블이 부여된 영상이 포함되어 있다.
• 경계 탐지 및 분할 일관성을 향상시키기 위해 교차 엔트로피 손실과 덱스 손실을 조합하여 네트워크 최적화를 수행한다.
• 일반화 및 강인성을 향리하기 위해 강화, 강조, 크기 조정, 강도 정규화 등의 전처리 기법을 적용한다.
• 해부학적으로 타당한 분할 결과를 보장하기 위해 형태학적 연산 및 윤곽 보정 등의 후처리 기법을 적용한다.

실험 결과

연구 질문

• RQ1 완전 컨볼루션 네트워크는 단축축 및 장축 CMR 영상에서 심장 구조물을 분할하는 데 인간 수준의 성능을 달성할 수 있는가?
• RQ2 수동 분할과 비교했을 때 자동화된 방법의 성능는 인간 전문가 간의 관측자 간 변동성과 비교해 어떻게 되는가?
• RQ3 딥 러닝은 수동 CMR 영상 분석에 수반되는 시간과 주관성 문제를 어느 정도 줄일 수 있는가?
• RQ4 대규모의 공개 가능하고 레이블이 부여된 데이터셋은 강력하고 일반화 가능한 CMR 분석 모델 개발을 지원할 수 있는가?

주요 결과

• 600명의 단축축 환자로 구성된 테스트 세트에서, 좌심실 심실강의 평균 덱스 점수는 0.94, 좌심실 심장근육의 점수는 0.88, 우심실 심실강의 점수는 0.90를 기록하였다.
• 자동 측정값과 수동 측정값 간 평균 절대 오차는 좌심실 끝 diastolic 부피에서 6.1 mL, 끝 systolic 부피에서 5.3 mL, 좌심실 질량에서 6.9 g이었다.
• 우심실 부피의 경우, 끝 diastolic 부피의 평균 절대 오차는 8.5 mL, 끝 systolic 부피는 7.2 mL였다.
• 장축 영상에서는 좌심방(2-채널 영상)에서 덱스 점수 0.93, 좌심방(4-채널 영상)에서 0.95, 우심방(4-채널 영상)에서 0.96를 기록하였다.
• 자동화된 방법의 성능는 인간 전문가 간의 관측자 간 변동성과 유사하여 임상 적용 가능성을 시사한다.
• 이 방법은 각 연구당 몇 초 내로도 심실출구율, 심장수축량 등 임상적으로 중요한 측정치를 자동으로 신속하고 객관적으로 정량화할 수 있게 한다.