[논문 리뷰] Cardiac Segmentation from LGE MRI Using Deep Neural Network Incorporating Shape and Spatial Priors

Yue Qian, Xinzhe Luo외 3명|arXiv (Cornell University)|2019. 06. 18.

Advanced MRI Techniques and Applications참고 문헌 15인용 수 10

한 줄 요약

이 논문은 후기 가돌리늄 강화 MRI에서 자동 심장 분할을 위한 딥러닝 프레임워크인 SRSCN을 제안한다. 이 프레임워크는 형태 복원 네트워크(SRNN)와 공간 제약 네트워크(SCN)를 통해 형태 및 공간 사전 지식을 통합한다. 이 방법은 심장 근육 분할에서 0.758(Dice 점수, 표준편차=0.227)의 성능을 기록하며, 최신 정규화 기법들을 능가하고 임상적으로 관찰된 관측자 간 변동성(0.757, 표준편차=0.083)에 가까운 성능을 달성한다.

ABSTRACT

Cardiac segmentation from late gadolinium enhancement MRI is an important task in clinics to identify and evaluate the infarction of myocardium. The automatic segmentation is however still challenging, due to the heterogeneous intensity distributions and indistinct boundaries in the images. In this paper, we propose a new method, based on deep neural networks (DNN), for fully automatic segmentation. The proposed network, referred to as SRSCN, comprises a shape reconstruction neural network (SRNN) and a spatial constraint network (SCN). SRNN aims to maintain a realistic shape of the resulting segmentation. It can be pre-trained by a set of label images, and then be embedded into a unified loss function as a regularization term. Hence, no manually designed feature is needed. Furthermore, SCN incorporates the spatial information of the 2D slices. It is formulated and trained with the segmentation network via the multi-task learning strategy. We evaluated the proposed method using 45 patients and compared with two state-of-the-art regularization schemes, i.e., the anatomically constraint neural network and the adversarial neural network. The results show that the proposed SRSCN outperformed the conventional schemes, and obtained a Dice score of 0.758(std=0.227) for myocardial segmentation, which compares with 0.757(std=0.083) from the inter-observer variations.

연구 동기 및 목표

• 이질적인 강도와 명확하지 않은 경계로 인해 LGE-MRI에서 자동 심장 분할을 수행하는 데 도전하는 문제를 해결하기 위해.
• 수작업으로 설계된 특징에 의존하는 것을 줄이고, 형태 및 공간 사전 지식을 직접 딥러닝 프레임워크에 통합하기 위해.
• 2D 심장 단축축 단면도 간 해부학적 현실성과 공간 일관성을 반영함으로써 분할 정확도를 향상시키기 위해.
• 분할 성능에서 해부학적 제약 및 적대적 네트워크와 같은 기존 정규화 기법들을 능가하기 위해.
• 분할 및 사전 제약 조건을 동시에 최적화하기 위한 다중 작업 학습을 활용하는 통합된 딥러닝 아키텍처를 개발하기 위해.

제안 방법

• SRSCN 프레임워크는 레이블이 부여된 데이터로 사전 훈련한 후, 손실 함수에 정규화 항으로 통합되어 실제 심장 근육 형태를 유지하는 형태 복원 신경망(SRNN)을 포함한다.
• 2D 심장 단축축 단면도 간 공간 관계를 모델링하기 위해 공간 제약 네트워크(SCN)를 도입하여 해부학적 타당성을 향상시킨다.
• SRNN과 SCN은 다중 작업 학습 전략을 통해 분할 네트워크와 함께 공동으로 훈련되어 엔드 투 엔드 최적화가 가능하다.
• SRNN의 출력에서 유도된 손실 항을 통해 형태 사전 지식을 통합하며, 수작업 특징이 필요 없이 비현실적인 형태를 방지한다.
• 이웃한 단면도 간 공간적 맥락을 모델링하여 공간 일관성을 강화함으로써 분할의 강인성을 향상시킨다.
• 이 방법은 LGE-MRI 스캔을 포함한 45명의 환자로 구성된 데이터셋에서 훈련 및 평가되었으며, 주요 평가 지표로 Dice 점수를 사용하였다.

실험 결과

연구 질문

• RQ1 형태 및 공간 사전 지식을 통합한 딥러닝 프레임워크가 LGE-MRI에서 자동 심장 분할의 정확도를 향상시킬 수 있는가?
• RQ2 제안된 SRSCN 방법은 해부학적 제약 및 적대적 네트워크와 같은 최신 정규화 기법들과 비교해 어떻게 성능을 내는가?
• RQ3 사전 훈련된 형태 사전 지식을 통합함으로써 심장 분할에서 수작업 특징 설계가 얼마나 줄어들 수 있는가?
• RQ4 2D 단면도 간 공간 제약을 통합함으로써 분할 일관성과 해부학적 타당성이 향상되는가?
• RQ5 제안된 방법이 임상 실무에서 관측자 간 변동성과 유사한 분할 성능을 달성할 수 있는가?

주요 결과

• 제안된 SRSCN 방법은 45명의 환자로 구성된 테스트 세트에서 심장 근육 분할에 대해 0.758(Dice 점수, 표준편차=0.227)의 성능을 기록하였다.
• SRSCN의 성능는 관측자 간 변동성(0.757, 표준편차=0.083)과 유사하여 높은 임상적 관련성을 나타낸다.
• 동일한 데이터셋에서 SRSCN은 해부학적 제약이 있는 신경망과 적대적 신경망이라는 두 가지 최신 정규화 기법을 모두 능가하였다.
• 형태 및 공간 사전 지식의 통합은 특히 조직 대비가 낮은 영역에서 분할 정확도와 해부학적 타당성을 크게 향상시켰다.
• LGE-MRI 스캔에서 일반적인 다양한 이미지 강도와 경계 조건에서도 강인함을 보였다.
• 제거 실험을 통해 형태 복원 및 공간 제약 구성 요소가 모두 최종 성능에 의미 있는 기여를 했으며, 병합된 모델이 가장 우수한 성능을 보였다.