[논문 리뷰] Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI

Yichi Zhang|arXiv (Cornell University)|2020. 12. 28.

Cardiac Imaging and Diagnostics참고 문헌 9인용 수 6

한 줄 요약

이 논문은 지연 강화 심장 MRI에서 자동 심장막 경색 분할을 위한 계단식 2D-3D U-Net 아키텍처를 제안한다. 먼저 2D U-Net을 사용해 단면 내에서 거친 분할을 수행한 후, 부피적 맥락을 활용해 결과를 개선하는 3D U-Net을 통해 최신 기술 수준의 성능을 달성하였으며, MICCAI 2020 EMIDEC 챌린지 데이터셋에서 심장막의 평균 Dice 스코어는 0.8786, 경색 부위는 0.7124, 노리플로우(No-reflow) 영역은 0.7851을 기록하였다.

ABSTRACT

Automatic segmentation of myocardial contours and relevant areas like infraction and no-reflow is an important step for the quantitative evaluation of myocardial infarction. In this work, we propose a cascaded convolutional neural network for automatic myocardial infarction segmentation from delayed-enhancement cardiac MRI. We first use a 2D U-Net to focus on the intra-slice information to perform a preliminary segmentation. After that, we use a 3D U-Net to utilize the volumetric spatial information for a subtle segmentation. Our method is evaluated on the MICCAI 2020 EMIDEC challenge dataset and achieves average Dice score of 0.8786, 0.7124 and 0.7851 for myocardium, infarction and no-reflow respectively, outperforms all the other teams of the segmentation contest.

연구 동기 및 목표

• 지연 강화 심장 MRI에서 심장막 경색 및 관련 부위의 정확한 자동 분할 문제를 해결하기 위해.
• 2D(단면 내) 및 3D(부피적) 공간 정보를 융합하여 분할 정확도를 향상시키기 위해.
• MICCAI 2020 EMIDEC 챌린지에서 심장막 경색 분할 분야에서 기존 방법들을 능가하는 견고한 방법을 개발하기 위해.
• 2D에서의 거친 출력 결과에서 유도된 공간적 사전 지식을 활용해, 상하좌우 슬라이스 간 상관관계가 낮은 영역에서 3D 개선 성능을 향상시키기 위해.

제안 방법

• 계단식 두 단계 네트워크 아키텍처를 제안한다: 첫 번째 단계에서 2D U-Net이 개별 단축축 슬라이스를 처리하여 거친 분할을 수행한다.
• 2D 출력 결과는 원본 3D 볼륨과 결합되어, 두 번째 단계에서 3D U-Net의 공간적 사전 지식으로 기능한다.
• 3D U-Net은 3D 컨볼루션을 사용하여 부피적 맥락을 포착하고, 슬라이스 간 상관관계를 활용해 분할을 개선한다.
• 2D 및 3D U-Net의 인코더와 디코더 블록 간 스킵 연결은 공간 정렬을 유지하고 특징 학습을 향상시킨다.
• 학습 중 배경 클래스에 대한 주의를 향상시키기 위해 교차 엔트로피 손실와 Dice 손실를 조합한 하이브리드 손실 함수를 사용한다.
• 모델 추론는 5겹 교차 검증을 사용하며, 최종 테스트 세트 예측을 위해 다수결 투표 앙상블 기법을 적용한다.

실험 결과

연구 질문

• RQ1 단일 2D 또는 3D 네트워크에 비해 계단식 2D-3D U-Net 아키텍처가 DE-MRI에서 심장막 경색 분할 정확도를 향상시킬 수 있는가?
• RQ2 2D에서의 거친 출력 결과를 공간적 사전 지식으로 활용할 경우, 특히 슬라이스 간 해상도가 낮은 영역에서 3D 분할 성능이 향상되는가?
• RQ3 제안된 방법은 MICCAI 2020 EMIDEC 챌린지의 다른 참가자들에 비해 Dice 스코어와 부피 오차 측면에서 어떻게 비교되는가?
• RQ4 이 방법은 데이터셋 내 다양한 병적 및 정상 케이스에 대해 얼마나 견고한가?

주요 결과

• 제안된 방법은 EMIDEC 테스트 세트에서 심장막 분할에 대해 평균 Dice 스코어 0.8786을 기록하여 분할 챌린지에서 1위를 차지하였다.
• 경색 부위 분할에 대해 Dice 스코어 0.7124를 기록하였으며, 2D 전용 기준선(평균 0.558)을 크게 뛰어넘었고, 3D 모델링을 통한 강력한 개선 효과를 입증하였다.
• 노리플로우 분할에 대해 Dice 스코어 0.7851을 기록하여 미세혈관 차단 영역을 효과적으로 탐지함을 시사하였다.
• 각 폴드 간 변동성이 낮아, 심장막의 표준편차 0.005, 경색의 표준편차 0.04를 기록하여 높은 견고성을 보였다.
• 부피 차이(VolDif) 및 하우스도르프 거리 지표를 통해 기하학적 정확도가 향상되었음을 확인하였으며, 심장막의 VolDif 평균은 테스트 세트에서 9258.24 mm³였다.
• 산산조각 난 볼륨 제거 등의 후처리 단계를 통해 분할 품질이 향상되고, 잡음으로 인한 오진도 감소하였다.