[논문 리뷰] Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark Study from Multi-Sequence Cardiac MR Segmentation Challenge

Xiahai Zhuang, Jiahang Xu외 21명|arXiv (Cornell University)|2020. 06. 22.

Advanced MRI Techniques and Applications인용 수 11

한 줄 요약

이 벤치마크 연구는 MICCAI 2019 챌린지에서 제공한 다중 시퀀스 심장 MRI 데이터셋을 사용하여 후기 가돌리늄 강화(LGE) 심장 MRI에서 심실 및 심장막 분할을 위한 9종의 최신 기법을 평가한다. 주요 기여는 레이블이 제한된 LGE 데이터를 고려할 때, 지도학습 및 비지도학습 기법이 관찰자 간 변동성 수준의 성능을 달성하며, 보조 bSSFP 및 T2 시퀀스가 분할의 강건성을 크게 향상시킨다는 것을 입증한 것이다.

ABSTRACT

Accurate computing, analysis and modeling of the ventricles and myocardium from medical images are important, especially in the diagnosis and treatment management for patients suffering from myocardial infarction (MI). Late gadolinium enhancement (LGE) cardiac magnetic resonance (CMR) provides an important protocol to visualize MI. However, automated segmentation of LGE CMR is still challenging, due to the indistinguishable boundaries, heterogeneous intensity distribution and complex enhancement patterns of pathological myocardium from LGE CMR. Furthermore, compared with the other sequences LGE CMR images with gold standard labels are particularly limited, which represents another obstacle for developing novel algorithms for automatic segmentation of LGE CMR. This paper presents the selective results from the Multi-Sequence Cardiac MR (MS-CMR) Segmentation challenge, in conjunction with MICCAI 2019. The challenge offered a data set of paired MS-CMR images, including auxiliary CMR sequences as well as LGE CMR, from 45 patients who underwent cardiomyopathy. It was aimed to develop new algorithms, as well as benchmark existing ones for LGE CMR segmentation and compare them objectively. In addition, the paired MS-CMR images could enable algorithms to combine the complementary information from the other sequences for the segmentation of LGE CMR. Nine representative works were selected for evaluation and comparisons, among which three methods are unsupervised methods and the other six are supervised. The results showed that the average performance of the nine methods was comparable to the inter-observer variations. The success of these methods was mainly attributed to the inclusion of the auxiliary sequences from the MS-CMR images, which provide important label information for the training of deep neural networks.

연구 동기 및 목표

• 심장 분할을 위한 딥 러닝 모델 학습에 있어 금표 LGE 심장 MRI 레이블의 부족 문제를 해결하기 위해.
• 공통의 벤치마크 데이터셋을 사용하여 지도학습 및 비지도학습 딥 러닝 기법의 성능을 평가하고 비교하기 위해.
• 저조도의 LGE 영상이 존재하는 상황에서 보조 심장 MRI 시퀀스(bSSFP 및 T2)가 분할 정확도 향상에 얼마나 효과적인지 조사하기 위해.
• 훈련, 검증, 테스트 데이터 및 진정값을 공개하는 공개 기반 표준화된 벤치마크를 구축하기 위해.

제안 방법

• 연구는 심장병 환자 45명의 다중 시퀀스 심장 MRI 데이터셋을 활용하였으며, 이는 짝지어진 LGE, bSSFP, T2 시퀀스를 포함한다.
• 참가자들은 LGE 영상 5장에 대한 레이블을 사용한 지도학습 미세조정 또는 bSSFP/T2 시퀀스의 레이블을 활용한 비지도학습 도메인 적응 기법을 사용하여 알고리즘을 개발하였다.
• 평가 프레임워크는 심내피막, 심장막, 좌심실 및 심실 분출률에 대한 이석 점수, 하우스도르프 거리, 평균 표면 거리와 같은 빈도 없는 객관적 지표를 사용하였다.
• 성능는 관찰자 간 변동성과 비교하여 임상적 관련성과 강건성을 평가하였다.
• 벤치마크는 훈련(5장 LGE) 및 테스트(40장 LGE) 세트를 포함하였으며, 복제 가능성을 확보하기 위해 챌린지 후 금표 분할 결과가 공개되었다.
• 다양한 알고리즘 접근법(다중 모odal 통합 및 형태 인식 학습 포함) 간 공정한 비교를 보장하기 위해 통합된 평가 프로토콜이 도입되었다.

실험 결과

연구 질문

• RQ1 제한된 레이블이 있는 LGE 심장 MRI 영상만 존재할 때 비지도학습 도메인 적응 기법이 지도학습 기법과 유사한 성능을 달성할 수 있는가?
• RQ2 보조 bSSFP 및 T2 시퀀스는 LGE 심장 MRI 분할의 정확도와 강건성에 얼마나 기여하는가?
• RQ3 현행 최신 기술 기반 분할 모델의 LGE 심장 MRI 성능는 임상 현장에서의 관찰자 간 변동성과 비교해 볼 때 어떻게 되는가?
• RQ4 LGE, bSSFP, T2 등 여러 심장 MRI 시퀀스의 병합 분할은 단일 시퀀스 기반 접근보다 더 좋은 결과를 낼 수 있는가?
• RQ5 다중 모달리티 데이터 융합 및 도메인 적응은 LGE 데이터가 부족한 환경에서 심장 MRI 분할의 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 평가된 9종의 기법 평균 성능는 관찰자 간 변동성 수준과 유사하여 임상적 관련성이 높음을 시사한다.
• 최상의 지도학습 및 비지도학습 기법 모두 심장막에 대해 0.812 ± 0.105, 좌심실에 대해 0.915 ± 0.052의 이석 점수를 기록하였다.
• LGE 레이블 없이 bSSFP/T2 레이블만을 사용한 비지도학습 도메인 적응 기법이 지도학습 기법과 거의 유사한 성능를 보였으며, 이는 bSSFP와 LGE 사이에 최소한의 도메인 이동이 있음을 시사한다.
• 보조 시퀀스(bSSFP 및 T2)의 포함은 성공적인 분할에 필수적이었으며, 효과적인 사전 학습 및 도메인 적응을 가능케 하였다.
• 동시 다중 시퀀스 분할의 잠재적 이점에도 불구하고, 평가된 모든 기법은 이 전략을 채택하지 않았으며, 이는 공동 레지지스트레이션 및 최적화의 과제로 인해 어려움이 있었기 때문일 것이다.
• 금표 레이블이 훈련 및 테스트 세트에 모두 포함된 벤치마크 데이터셋은 공개되어 있어 향후 복제 가능한 연구를 가능하게 한다.