[논문 리뷰] Cardiac MRI Image Segmentation for Left Ventricle and Right Ventricle using Deep Learning

Bosung Seo, Daniel Augusto de Lima Mariano외 7명|arXiv (Cornell University)|2019. 09. 17.

COVID-19 diagnosis using AI참고 문헌 4인용 수 5

한 줄 요약

이 논문은 2D 및 3D U-Net 및 DenseNet 아키텍처를 사용하여 심장 MRI에서 좌심실과 우심실의 자동 분할을 위한 딥러닝 기반 엔드 투 엔드 파이프라인을 제안한다. 다양한 데이터셋에서 훈련된 모델이 서로 다른 심장 MRI 데이터셋 간에 잘 일반화됨을 입증하였으며, 특히 MICCAI 2012 RV 데이터셋에서 3D U-Net가 가장 높은 성능과 강건성을 보였다.

ABSTRACT

The goal of this project is to use magnetic resonance imaging (MRI) data to provide an end-to-end analytics pipeline for left and right ventricle (LV and RV) segmentation. Another aim of the project is to find a model that would be generalizable across medical imaging datasets. We utilized a variety of models, datasets, and tests to determine which one is well suited to this purpose. Specifically, we implemented three models (2-D U-Net, 3-D U-Net, and DenseNet), and evaluated them on four datasets (Automated Cardiac Diagnosis Challenge, MICCAI 2009 LV, Sunnybrook Cardiac Data, MICCAI 2012 RV). While maintaining a consistent preprocessing strategy, we tested the performance of each model when trained on data from the same dataset as the test data, and when trained on data from a different dataset than the test dataset. Data augmentation was also used to increase the adaptability of the models. The results were compared to determine performance and generalizability.

연구 동기 및 목표

• 심장 MRI에서 좌심실 및 우심실 분할을 위한 강건하고 엔드 투 엔드 딥러닝 파이프라인 개발.
• 다양한 기관 및 촬영 프로토콜에서 온 다양한 심장 MRI 데이터셋 간 모델 일반화성 평가.
• 일致한 전처리 및 데이터 증강 조건 하에서 2D U-Net, 3D U-Net 및 DenseNet 아키텍처의 성능 비교.
• 한 데이터셋에서 훈련된 모델이 다른 데이터셋으로 효과적으로 일반화되는지 확인하여 보다 넓은 임상 적용 가능성을 확보.
• 다기관, 다데이터셋 심장 분할을 위한 최적의 모델 아키텍처 및 훈련 전략 규명.

제안 방법

• 좌심실 및 우심실의 내피막 및 외피막 분할을 위한 3가지 딥러닝 모델(2D U-Net, 3D U-Net, DenseNet) 구현.
• 모든 데이터셋에 동일한 전처리 파이프라인 적용: 강도 정규화 및 이미지 크기 조정.
• 모델 강건성 및 일반화 성능 향상을 위해 회전, 반전, 탄성 변형 등의 데이터 증강 기법 사용.
• 각 데이터셋에서 모델을 훈련하고, 동일 데이터셋(내영역) 및 다른 데이터셋(제로샷 일반화)에서 평가.
• Dice 유사도 계수(DSC), 하우스도르프 거리(HD), 표면 DSC와 같은 표준 지표를 사용해 성능 평가.
• 교차 데이터셋 훈련 및 추론을 통해 다양한 촬영 프로토콜 및 해부학적 변동성 간 모델 이식성 및 강건성 평가.

실험 결과

연구 질문

• RQ1 2D U-Net, 3D U-Net 및 DenseNet은 다수의 심장 MRI 데이터셋에서 좌심실 및 우심실 분할에 어떻게 성능을 발휘하는가?
• RQ2 다른 촬영 파rameter와 해부학적 특성을 지닌 다른 데이터셋으로 일반화될 수 있는가?
• RQ3 데이터 증강이 다양한 심장 MRI 데이터셋 간 모델 일반화에 어떤 영향을 미치는가?
• RQ4 어느 모델 아키텍처가 다양한 데이터셋 간 최고의 분할 정확도와 강건성을 달성하는가?
• RQ5 3D U-Net은 좌심실 분할을 위한 공간적 맥락을 2D U-Net 및 DenseNet보다 더 잘 포착하는가?

주요 결과

• 3D U-Net은 MICCAI 2012 RV 데이터셋에서 평균 DSC 0.92를 기록하여 2D U-Net 및 DenseNet를 앞서는 최고의 성능을 보였다.
• 교차 데이터셋 일반화가 효과적이었다: 한 데이터셋에서 훈련된 모델이 미리보지 않은 데이터셋에서 평균 DSC 0.85 이상을 기록하여 강력한 이식성 입증.
• 데이터 증강은 특히 MICCAI 2009 LV 및 Sunnybrook Cardiac Data와 같은 작은 데이터셋에서 모델 일반화를 크게 향상시켰다.
• 3D U-Net은 좌심실보다 형태가 더 복잡하고 변동성이 큰 우심실에서 뛰어난 성능을 보였다.
• 2D U-Net은 좌심실에서 뛰어난 성능를 보였지만, 좌심실보다 형태가 더 복잡하고 얇으며 비정형적인 우심실에서는 어려움을 겪었다.
• DenseNet은 일부 데이터셋에서 경쟁적인 결과를 기록했지만, U-Net 변종에 비해 다양한 데이터 분포 간 일관성은 떨어졌다.