[논문 리뷰] Automated Segmentation of Left Ventricle in 2D echocardiography using deep learning

Neda Azarmehr, Xujiong Ye외 4명|arXiv (Cornell University)|2020. 03. 17.

Advanced Neural Network Applications참고 문헌 4인용 수 4

한 줄 요약

이 연구는 2차원 에코카디오그래피에서 자동으로 심실의 좌심실을 분할하는 데 있어 원래 U-Net과 두 가지 고도화된 U-Net 변형(U-Net 1 및 U-Net 2)의 성능을 평가한다. 정확도 향상에 대한 주장에도 불구하고, 원래 U-Net이 양 변형보다 뛰어난 성능을 보였으며, 독립적인 테스트 세트 199 프레임에서 평균 Dice 계수 0.92 ± 0.05와 Hausdorff 거리 3.97 ± 0.82를 기록하여 전문가 판독자 수준의 강건성을 입증하였다.

ABSTRACT

Following the successful application of the U-Net to medical images, there have been different encoder-decoder models proposed as an improvement to the original U-Net for segmenting echocardiographic images. This study aims to examine the performance of the state-of-the-art proposed models as well as the original U-Net model by applying them to segment the endocardium of the Left Ventricle in 2D automatically. The prediction outputs of the models are used to evaluate the performance of the models by comparing the automated results against the expert annotations (gold standard). Our results reveal that the U-Net model outperforms other models by achieving an average Dice coefficient of 0.92$ \\pm 0.05$, and Hausdorff distance of 3.97$ \\pm 0.82$.

연구 동기 및 목표

• 2차원 에코카디오그래피에서 최신 기술 기반의 U-Net 기반 모델이 좌심실 자동 분할에 얼마나 효과적인지 평가하기 위해.
• 일관된 데이터셋을 사용하여 원래 U-Net과 U-Net 1, U-Net 2의 성능을 비교하여 일반화 능력과 강건성을 평가하기 위해.
• 최근 개선된 U-Net 변형이 임상적 에코카디오그래피 영상에서 원래 U-Net보다 분할 정확도를 향상시키는지 확인하기 위해.
• 영상 품질이 딥러닝 기반 분할 모델의 성능에 미치는 영향을 조사하고, 자동화된 결과를 전문가의 분석 결과와 비교하기 위해.

제안 방법

• 연구는 심장검사 전문의가 61명의 환자로부터 확보한 심장의 정상 4절도 2차원 에코카디오그래피 영상 데이터셋을 사용하였으며, 수축기 말기 및 이완기 말기 단계에서 총 992개의 분할 레이블이 부여된 영상이 포함되었다.
• 기준 분할 결과는 경험이 풍부한 심장내과 전문의가 확보하였으며, 상호 관찰자 간 변동성을 평가하기 위해 제2의 전문가가 무작위로 분석한 결과를 추가로 확보하였다.
• 데이터셋은 훈련용 60%, 검증용 20%, 테스트용 20%로 분할되었으며, 각 세트 간 환자 중복 없이 분할되어 일반화 능력을 확보하였다.
• 모든 모델은 학습률 0.00001로 설정된 Adam 옵timizer를 사용하여 250 에포크 동안 훈련되었으며, 손실 함수로는 음의 로그우도 손실을 사용하였다.
• 공정한 비교를 위해 입력 영상은 모두 256×256 픽셀로 크기 조정되었으며, 모든 모델이 동일한 공간 해상도의 출력을 생성하였다.
• 모델 평가는 전문가 분석 결과와의 비교를 바탕으로 Dice 계수와 Hausdorff 거리로 수행되었다.

실험 결과

연구 질문

• RQ1 원래 U-Net은 2차원 에코카디오그래피에서 좌심실을 분할하는 데 있어 U-Net 1 및 U-Net 2보다 뛰어난가?
• RQ2 자동 분할 모델의 성능 지표는 전문 심장내과 전문의 간 상호 관찰자 간 변동성과 어떻게 비교되는가?
• RQ3 영상 품질이 에코카디오그래피에서 딥러닝 기반 분할 모델의 정확도에 얼마나 큰 영향을 미치는가?
• RQ4 자동화된 모델은 좌심실 분할에서 인간 전문가 수준의 성능을 달성할 수 있는가?

주요 결과

• 원래 U-Net은 테스트 세트 전반에서 평균 Dice 계수 0.92 ± 0.05를 기록하여 U-Net 1 및 U-Net 2를 모두 앞섰다.
• 원래 U-Net은 가장 낮은 Hausdorff 거리 3.97 ± 0.82를 기록하여 경계 정밀도가 뛰어나다는 것을 보여주었다.
• 시각적 검토 결과, 원래 U-Net이 다른 모델 대비 더 매끄럽고 정확한 심실 내피막 윤곽을 생성하는 것으로 확인되었다.
• 모든 모델이 저품질 영상에서 성능이 저하되었으며, 특히 스펙클 노이즈, 낮은 대비 또는 경계가 없는 영상에서 그러한 경향이 뚜렷했다.
• 자동화된 모델의 전문가 분석 결과와의 불일치 정도는 두 전문가 판독자 간 불일치 수준과 유사하여 강건성을 입증하였다.
• 이 연구에서는 이 데이터셋에서 최신 U-Net 변형이 원래 U-Net에 비해 분할 정확도 향상에 유의미한 개선을 이루지 못했다.