[논문 리뷰] Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks

Kibrom Berihu Girum, Youssef Skandarani외 4명|arXiv (Cornell University)|2020. 10. 30.

Cardiac Imaging and Diagnostics참고 문헌 13인용 수 10

한 줄 요약

이 논문은 지연 강화 심장 MRI(DE-MRI) 및 임상 데이터를 사용하여 자동 심장경색 평가를 위한 이단계 딥러닝 프레임워크를 제안한다. 해부학적(좌심실 및 심장막) 및 병리학적(경색 및 노리플로우) 세분화를 위한 별도의 U-Net 기반 네트워크를 사용하며, 심장막 마스킹을 통한 정밀 조정을 통해 좌심실에 대해 93%의 Dice 점수와 심장막에 대해 84%의 점수를 기록했으며, MRI 데이터를 사용해 93.3%의 분류 정확도를 달성했다.

ABSTRACT

In this paper, we propose a new deep learning framework for an automatic myocardial infarction evaluation from clinical information and delayed enhancement-MRI (DE-MRI). The proposed framework addresses two tasks. The first task is automatic detection of myocardial contours, the infarcted area, the no-reflow area, and the left ventricular cavity from a short-axis DE-MRI series. It employs two segmentation neural networks. The first network is used to segment the anatomical structures such as the myocardium and left ventricular cavity. The second network is used to segment the pathological areas such as myocardial infarction, myocardial no-reflow, and normal myocardial region. The segmented myocardium region from the first network is further used to refine the second network's pathological segmentation results. The second task is to automatically classify a given case into normal or pathological from clinical information with or without DE-MRI. A cascaded support vector machine (SVM) is employed to classify a given case from its associated clinical information. The segmented pathological areas from DE-MRI are also used for the classification task. We evaluated our method on the 2020 EMIDEC MICCAI challenge dataset. It yielded an average Dice index of 0.93 and 0.84, respectively, for the left ventricular cavity and the myocardium. The classification from using only clinical information yielded 80% accuracy over five-fold cross-validation. Using the DE-MRI, our method can classify the cases with 93.3% accuracy. These experimental results reveal that the proposed method can automatically evaluate the myocardial infarction.

연구 동기 및 목표

• 지연 강화 심장 MRI(DE-MRI) 시리즈에서 심장경색 및 노리플로우 영역을 자동으로 탐지하기 위한 방법을 개발한다.
• 딥 컨volution 네트워크를 활용해 해부학적 구조(좌심실 및 심장막)와 병리학적 영역의 세분화 정확도를 향상시킨다.
• 임상 정보와/또는 DE-MRI 데이터를 사용해 환자를 정상 또는 병적 상태로 자동 분류할 수 있도록 한다.
• 저대비 경계, 형태 변동성, 운동 아티팩트 등의 과제를 해결한다.
• 임상 데이터를 영상 특징과 통합하여 진단 분류 성능을 향상시킨다.

제안 방법

• 해부학적 세분화(좌심실 및 심장막)를 위한 네트워크와 병리학적 세분화(경색, 노리플로우, 정상 심장막)를 위한 네트워크를 별도로 구현한 이중 인코더-디코더 컨volution 신경망을 사용한다.
• 해부학적 네트워크의 출력이 병리학적 네트워크의 예측을 심장막 영역 내로 제한하는 마스킹 전략을 적용한다.
• 네트워크 아키텍처에 2D $3\times3$ 컨볼루션, ELU 활성화 함수, 배치 정규화, 그리고 압축-확장 블록을 사용한다.
• 다운샘플링에 $2\times2$ 최대 풀링을, 업샘플링에 $2\times2$ 전치 컨볼루션을 사용하며, 연결을 통해 스킵 연결을 구현한다.
• 입력 이미지를 강도 값의 0 중심화와 표준편차 기반 정규화를 수행하고, $256\times256$로 크기 조정한다.
• 두 네트워크의 출력을 융합해 최종 4클래스 세분화 맵(LV, MYO, MI, 정상 MYO)을 생성하고, 3D 기반으로 Dice, 하우스도르프 거리, 상대 부피 차이를 평가한다.

실험 결과

연구 질문

• RQ1 2D DE-MRI 시리즈에서 딥러닝 프레임워크가 좌심실 캐비티와 심장막을 정확하게 세분화할 수 있는가?
• RQ2 연쇄 구조 네트워크 아키텍처가 심장막 경계 내로 예측를 제한하면서 심장경색 및 노리플로우 영역을 효과적으로 탐지할 수 있는가?
• RQ3 임상 정보만 또는 DE-MRI와 융합한 정보로 얼마나 높은 수준의 자동 심장경색 분류 성능을 달성할 수 있는가?
• RQ4 EMIDEC MICCAI 2020 챌린지 데이터셋에서 최신 기술 대비 세분화 정확도 및 분류 성능에서 제안된 방법이 어떻게 비교되는가?
• RQ5 특히 Dice 점수 및 부피 일致성과 같은 오버랩 메트릭 측면에서 병리학적 영역 세분화의 한계는 무엇인가?

주요 결과

• 제안된 방법은 검증 세트에서 좌심실 캐비티 세분화에 대해 평균 0.93 ± 0.018의 Dice 점수와 심장막 세분화에 대해 0.84 ± 0.03의 점수를 기록했다.
• 좌심실에 대해 평균 3D 하우스도르프 거리는 6.5 mm였고, 심장막에 대해서는 8.9 mm였으며, 이는 수용 가능한 공간 정확도를 나타낸다.
• 임상 정보만을 사용한 분류에서는 5겹 교차검증에서 80%의 정확도를 기록했다.
• DE-MRI에서 유도된 병리학적 세분화 특징을 사용한 분류에서는 93.3%의 정확도를 기록했으며, 임상 정보만 사용한 경우보다 유의미하게 높았다.
• 병리학적 세분화에서는 낮은 오버랩이 관찰되었으며, 심장경색에 대해 0.40 ± 0.10, 노리플로우 영역에 대해 0.67 ± 0.15의 Dice 점수를 기록했고, 상대 부피 차이는 각각 0.242 및 0.375였다.
• 이 프레임워크는 다양한 이미지 해상도와 임상적 변동성에 대해 강건한 성능을 보였으며, 임상 적용 가능성을 입증했다.