[논문 리뷰] Automatic Segmentation and Disease Classification Using Cardiac Cine MR Images

Jelmer M. Wolterink, Tim Leiner외 2명|arXiv (Cornell University)|2017. 08. 03.

Cardiac Imaging and Diagnostics참고 문헌 12인용 수 9

한 줄 요약

이 논문은 심장 씨네 MR 영상 분석을 위한 완전 자동화된 방법을 제시한다. 컨volutional 신경망(CNN)을 사용해 이완기와 수축기의 좌심실, 우심실, 심장근을 세분화하고, 유도된 정량적 특징을 사용해 환자를 다섯 가지 심장 질환 유형으로 분류하는 Random Forest 분류기를 적용하여 91%의 정확도를 달성한다. 이 파이프라인은 높은 세분화 정확도(Dice 점수: 좌심실 0.94, 우심실 0.88, 심장근 0.87)를 보이며 환자당 5초 내로 실행된다.

ABSTRACT

Segmentation of the heart in cardiac cine MR is clinically used to quantify cardiac function. We propose a fully automatic method for segmentation and disease classification using cardiac cine MR images. A convolutional neural network (CNN) was designed to simultaneously segment the left ventricle (LV), right ventricle (RV) and myocardium in end-diastole (ED) and end-systole (ES) images. Features derived from the obtained segmentations were used in a Random Forest classifier to label patients as suffering from dilated cardiomyopathy, hypertrophic cardiomyopathy, heart failure following myocardial infarction, right ventricular abnormality, or no cardiac disease. The method was developed and evaluated using a balanced dataset containing images of 100 patients, which was provided in the MICCAI 2017 automated cardiac diagnosis challenge (ACDC). The segmentation and classification pipeline were evaluated in a four-fold stratified cross-validation. Average Dice scores between reference and automatically obtained segmentations were 0.94, 0.88 and 0.87 for the LV, RV and myocardium. The classifier assigned 91% of patients to the correct disease category. Segmentation and disease classification took 5 s per patient. The results of our study suggest that image-based diagnosis using cine MR cardiac scans can be performed automatically with high accuracy.

연구 동기 및 목표

• 심장 기능의 임상적 정량화를 지원하기 위해 씨네 MR 영상에서 심장 구조를 완전 자동으로 세분화하는 방법을 개발한다.
• 영상에서 유도된 특징을 사용해 환자를 다섯 가지 심장 질환 유형—정상, 확장성 심근증, 비대성 심근증, 심근경색 후 heart failure, 우심실 이상—으로 분류한다.
• 분류기의 사후 확률 분포를 분석하여 진단이 모호하거나 불확실한 환자를 식별한다.
• MICCAI 2017 ACDC 챌린지에서 확보한 균형 임의의 데이터셋을 사용해, 딥 러닝 세분화와 전통적인 Random Forest 분류기를 조합한 이중 단계 파이프라인의 성능을 평가한다.

제안 방법

• 확장된 컨volution과 배치 정규화를 갖춘 U-Net 유사 CNN을 사용하여 이완기와 수축기 단축축 씨네 MR 영상에 대해 배경, 좌심실, 우심실, 심장근을 포함한 다중 클래스 확률 맵을 동시에 예측하도록 훈련시켰다.
• 시간적 운동 정보를 향상시키기 위해 해부학적으로 정렬된 이완기 및 수축기 이미지를 이중 채널 입력으로 사용하여 세분화 성능을 향상시켰다.
• 각 볼록체를 가장 높은 예측 확률을 가진 클래스에 할당하여 세분화를 확보하였으며, 이완기 및 수축기 출력에 대해 별도의 소프트맥스 정규화를 적용하였다.
• 자동 세분화에서 심장 기능 지표인 심실 출력률, 심실 부피 비율, 심장근 질량 등의 정량적 특징을 추출하였다.
• 환자 정보와 함께 이러한 특징을 기반으로 Random Forest 분류기를 훈련시켜 질환 유형을 예측하였으며, 모델의 불확실성은 사후 확률 엔트로피를 통해 평가하였다.
• MICCAI 2017 ACDC 데이터셋의 100개 훈련 케이스를 대상으로 4개의 분할 전략을 사용한 교차 검증을 수행하였으며, 모든 영상에 대해 재표본화 및 강도 정규화를 적용하였다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 세분화 모델이 심장 씨네 MR 영상에서 좌심실, 우심실, 심장근을 고정밀도로 자동으로 분할할 수 있는가?
• RQ2 자동 세분화에서 유도된 정량적 특징이 높은 정확도로 환자를 구분되는 심장 질환 유형으로 분류하는 데 효과적으로 사용될 수 있는가?
• RQ3 분류기의 사후 확률 분포는 진단의 불확실성을 어느 정도 반영하며, 진단이 모호하거나 상충되는 임상적 징후를 가진 환자를 식별하는 데 유용한가?
• RQ4 이중 단계 세분화-분류 파이프라인의 성능은 기준 세분화 기준 진단 정확도와 계산 효율성 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 CNN은 좌심실, 우심실, 심장근 세분화에 대해 평균 Dice 점수 0.94, 0.88, 0.87을 기록하여 수동 기준 세분화와 높은 겹침을 보였다.
• Random Forest 분류기는 테스트 세트에서 다중 분류 정확도 91%를 달성하여 91%의 환자가 기준 질환 유형으로 정확히 할당되었다.
• 이 방법은 환자당 단지 5초만에 세분화 및 분류를 완료하여 높은 계산 효율성을 입증하였다.
• 분류기의 사후 확률에서 높은 불확실성을 보인 환자들—예를 들어 기준 진단에 따라 MINF 또는 정상으로 진단되었지만 잘못 분류된 환자들—은 식별 가능했으며, 이는 모호한 케이스를 탐지하는 데의 유용성을 시사한다.
• Bland-Altman 분석 결과 기준 세분화와 자동 세분화 간 정량 지표(예: 심실 출력률, 부피 비율)에 대한 편향은 최소였으며, 임상 실무에서 관찰되는 관측자 간 변동성과 유사했다.
• 전체 씨네 시퀀스를 입력으로 사용하는 것은 탐색되지 않았지만, 저자들은 향후 연구에서 이를 통해 세분화 및 진단 성능 향상이 가능할 것으로 제안한다.