[논문 리뷰] Dilated Convolutional Neural Networks for Cardiovascular MR Segmentation in Congenital Heart Disease

Jelmer M. Wolterink, Tim Leiner외 2명|Utrecht University Repository (Utrecht University)|2017. 04. 12.

Cardiac Imaging and Diagnostics인용 수 17

한 줄 요약

이 논문은 선천성 심장병(CHD) 환자의 심장혈관 자기공명 영상(CMR)에서 심장근막과 혈액공간을 완전 자동으로 분할하기 위한 확장된 컨volution 신경망(dilated CNN)을 제안한다. 10개의 훈련 스캔으로 구성된 소규모 데이터셋을 사용하여, 131×131 해석 영역을 확보함으로써 심장근막의 덱스 점수는 0.80±0.06, 혈액공간은 0.93±0.02를 기록하였으며, 각 스캔 처리 시간은 42초 이내로 매우 빠르게 구현하였다.

ABSTRACT

We propose an automatic method using dilated convolutional neural networks (CNNs) for segmentation of the myocardium and blood pool in cardiovascular MR (CMR) of patients with congenital heart disease (CHD). Ten training and ten test CMR scans cropped to an ROI around the heart were provided in the MICCAI 2016 HVSMR challenge. A dilated CNN with a receptive field of 131x131 voxels was trained for myocardium and blood pool segmentation in axial, sagittal and coronal image slices. Performance was evaluated within the HVSMR challenge. Automatic segmentation of the test scans resulted in Dice indices of 0.80$\pm$0.06 and 0.93$\pm$0.02, average distances to boundaries of 0.96$\pm$0.31 and 0.89$\pm$0.24 mm, and Hausdorff distances of 6.13$\pm$3.76 and 7.07$\pm$3.01 mm for the myocardium and blood pool, respectively. Segmentation took 41.5$\pm$14.7 s per scan. In conclusion, dilated CNNs trained on a small set of CMR images of CHD patients showing large anatomical variability provide accurate myocardium and blood pool segmentations.

연구 동기 및 목표

• 선천성 심장병(CHD) 환자의 심장혈관 자기공명 영상(CMR) 스캔에서 심장근막과 혈액공간을 완전 자동으로 분할하는 방법을 개발하는 것.
• 기존 분할 방법을 방해하는 CHD 환자에서의 높은解부학적 변동성을 해결하는 것.
• 각 스캔당 수시간이 소요되는 수동 분할에 의존도를 줄이는 것.
• 확장된 컨볼루션을 활용하여 소수의 파rameter로 장거리 맥락을 포착하고, 소규모 데이터셋에서 과적합을 최소화하는 것.
• 모든 볼륨에서의 다운샘플링이나 패치 추출 없이 고해상도, 이동 등변성 분할을 달성하는 것.

제안 방법

• 3D 확장된 CNN은 볼륨의 중심에 있는 볼륨 기반으로 세 개의 수직 패치를 사용하여, 세 패치 예측의 평균을 통한 후기 융합 방식으로 각 볼륨을 분류하도록 훈련된다.
• 확장률이 각각 1, 2, 4인 스택형 확장 컨볼루션을 사용하여, 파rameter 수나 다운샘플링 없이 131×131 볼륨의 큰 해석 영역을 확보한다.
• 아키텍처는 단지 76,423개의 학습 가능한 파rameter만을 사용하여, 소규모 데이터셋에서 과적합 위험을 크게 줄인다.
• 전체 영상 슬라이스를 엔드 투 엔드로 처리하여 고해상도 출력을 유지하고 이동 등변성을 유지한다.
• 일반화 능력을 평가하기 위해 5개의 폴드로 교차검증을 실시하였으며, 예측 분산을 분석하여 과적합 여부를 확인하였다.
• 모델은 MICCAI 2016 HVSMR 챌린지에서 제공한 심장 및 대동맥 주변의 자르기 완료된 영상으로 10개의 훈련 및 10개의 테스트 CMR 스캔에서 훈련 및 평가되었다.

실험 결과

연구 질문

• RQ1 소수의 파rameter로도 CMR 영상에서 장거리 맥락 정보를 효과적으로 포착할 수 있는가?
• RQ2 높은 해부학적 변동성과 소규모 훈련 세트에도 불구하고, 확장된 컨볼루션을 갖춘 완전 컨volution 네트워크가 안정적인 분할을 달성할 수 있는가?
• RQ3 단일 패치 또는 조기 융합 방식에 비해 수직 패치 융합이 분할 정확도를 향상시키는가?
• RQ4 제한된 파rameter를 갖는 확장된 CNN을 사용할 경우, 소규모 데이터 환경에서 과적합이 방지되는가?
• RQ5 높은 정확도를 유지하면서도 스캔당 1분 이내의 실시간 성능을 달성할 수 있는가?

주요 결과

• 테스트 스캔에서 확장된 CNN은 심장근막의 덱스 점수 0.80±0.06, 혈액공간의 덱스 점수 0.93±0.02를 기록하여 높은 분할 정확도를 입증하였다.
• 심장근막의 평균 표면 거리는 0.96±0.31 mm, 혈액공간은 0.89±0.24 mm로 경계 일치도가 정밀함을 보였다.
• 헤우소프 거리 값은 심장근막이 6.13±3.76 mm, 혈액공간이 7.07±3.01 mm로 외곽치에 대한 강건성을 입증하였다.
• 분할 시간은 스캔당 41.5±14.7초로, 이는 이전 방법보다 12분 이상 빠른 성능을 보였다.
• 5개의 교차검증 폴드에서의 예측 분산이 낮았고(그림 4g 참조), 소규모 훈련 데이터에도 불구하고 과적합이 최소화됨을 시사하였다.
• 확장된 컨볼루션을 갖춘 네트워크는 해리스의 과다분할 문제를 피하고 특이도를 향상시켜, 비확장 기준 모델보다 성능이 뛰어났다.