[논문 리뷰] Automatic Segmentation of the Left Ventricle in Cardiac CT Angiography Using Convolutional Neural Network

Majd Zreik, Tim Leiner외 4명|arXiv (Cornell University)|2017. 04. 19.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 심장 CT 혈관 조영술(CCTA)에서 좌심실(LV) 분할을 위한 이단계적 딥러닝 방법을 제시한다. 컷팅 신경망(CNN)을 사용하여 축방향, 골반면, 추간면에서 LV 주위의 경계 상자(box)를 검출하고, 그 다음에 병렬 볼륨 단위의 CNN이 상자 내부의 구조를 분류한다. 이 방법은 평균 덱스 계수 0.85와 평균 절대 표면 거리 1.1 mm를 달성하여 임상 적용에 높은 정확도와 타당성을 보여준다.

ABSTRACT

Accurate delineation of the left ventricle (LV) is an important step in evaluation of cardiac function. In this paper, we present an automatic method for segmentation of the LV in cardiac CT angiography (CCTA) scans. Segmentation is performed in two stages. First, a bounding box around the LV is detected using a combination of three convolutional neural networks (CNNs). Subsequently, to obtain the segmentation of the LV, voxel classification is performed within the defined bounding box using a CNN. The study included CCTA scans of sixty patients, fifty scans were used to train the CNNs for the LV localization, five scans were used to train LV segmentation and the remaining five scans were used for testing the method. Automatic segmentation resulted in the average Dice coefficient of 0.85 and mean absolute surface distance of 1.1 mm. The results demonstrate that automatic segmentation of the LV in CCTA scans using voxel classification with convolutional neural networks is feasible.

연구 동기 및 목표

• 심장 CT 혈관 조영술(CCTA) 영상에서 좌심실 분할을 위한 자동화된 딥러닝 기반 방법을 개발한다.
• 수작업 분할의 한계, 즉 시간 소모와 관찰자 간 변동성을 해결한다.
• CNN을 이용한 엔드 투 엔드 학습을 통해 수작업 특징 공학을 제거하고 분할 정확도를 향상시킨다.
• 아파칼 영역과 피사체근, 횡문근과 같은 복잡한 해부학적 구조를 포함한 다양한 CCTA 영상 세트에서 임상적 관련성을 갖는 성능을 평가한다.

제안 방법

• 이중 단계 접근법을 사용한다: 먼저 축방향, 골반면, 추간면 영상 평면에서 각각 별도의 CNN이 좌심실 존재 여부를 검출하여 경계 상자를 정의한다.
• 각 CNN은 해당 평면의 모든 슬라이스를 처리하여 LV를 국소화하고, 구조 주위에 3차원 경계 상자를 생성한다.
• 정의된 경계 상자 내부에서, 전용 볼륨 분류 CNN이 각 볼륨에 대해 상호 수직인 48×48 영상 패치(축방향, 골반면, 추간면)를 중심으로 분석한다.
• 볼륨 분류기의 입력은 상호 수직인 평면에서 온 세 개의 영상 패치로, 정확한 조직 분류를 위한 다중 시점 맥락을 제공한다.
• 최종 분할 결과는 CNN의 소프트맥스 출력 계층에 의해 생성되며, 학습된 특징에 기반해 각 볼륨을 LV 또는 비-LV로 분류한다.
• 수작업 특징 공학 없이, 50개의 영상로 분류 목적, 5개의 영상으로 분할 목적, 5개의 영상으로 테스트를 수행하며 엔드 투 엔드로 학습된다.

실험 결과

연구 질문

• RQ1 이중 단계 CNN 프레임워크는 CCTA 영상에서 좌심실의 정확하고 강력한 자동 분할을 달성할 수 있는가?
• RQ2 제안된 CNN 기반 방법의 성능은 전문가 관찰자가 수행한 수작업 분할과 비교해 어떻게 되는가?
• RQ3 이 방법은 아파칼 슬라이스에서 좌심실을 효과적으로 분할하고, 피사체근과 횡문근과 같은 복잡한 구조를 배제할 수 있는가?
• RQ4 단일 평면 분석에 비해 다중 평면 패치 입력을 사용함으로써 볼륨 분류 정확도가 향상되는가?

주요 결과

• 제안된 방법은 다섯 개의 테스트 스캔에서 평균 덱스 계수 0.85를 달성하여 수작업 기준 분할 결과와 강한 겹침을 보였다.
• 자동 분할과 수작업 분할 간의 평균 절대 표면 거리(MAD)는 1.1 mm였으며, 이는 높은 기하학적 정확도를 반영한다.
• 두 번째 관찰자의 수작업 분할은 더 높은 덱스 계수(0.90)와 낮은 MAD(0.6 mm)를 기록하여 현재 방법의 향상 여지를 보여준다.
• 다양한 평면 패치가 제공하는 공간적 맥락 덕분에, LV와 유사한 강도를 가진 피사체근과 횡문근을 효과적으로 배제하였다.
• 아파칼 영역을 포함한 모든 슬라이스에서 성능이 일관되었으며, 이는 종종 분할 방법에 어려움을 주는 영역이다.
• 이전 최고 수준의 방법들, 예를 들어 앤라스 기반 또는 활성 윤곽 접근법을 사용한 방법들과 비교해 유사하거나 더 우수한 표면 거리 지표를 보이며 유사한 성능을 보였다.