[논문 리뷰] Fully Automated Segmentation of the Left Ventricle in Magnetic Resonance Images.

Zihao Wang, Zhenzhou Wang|arXiv (Cornell University)|2020. 07. 21.

Medical Image Segmentation Techniques참고 문헌 32인용 수 7

한 줄 요약

이 논문은 심장 MRI에서 왼쪽 심실 분할을 위한 완전 자동화된 방법을 제안하며, 경사 차이 분포(SDD) 임계값 선택 기법을 사용하여 ACDC 테스트 세트에서 95.44%의 DICE 스코어를 달성하였다. 이는 두 개의 최신 기술 기반 CNN 모델(90.28% 및 87.13%)의 재현 결과를 뛰어넘고, 발표된 기준보다도 뛰어난 성능을 보였다. 이 방법은 강건하고 재현 가능하며 MATLAB로 오픈소스화되어 있다.

ABSTRACT

Automatic and robust segmentation of the left ventricle (LV) in magnetic resonance images (MRI) has remained challenging for many decades. With the great success of deep learning in object detection and classification, the research focus of LV segmentation has changed to convolutional neural network (CNN) in recent years. However, LV segmentation is a pixel-level classification problem and its categories are intractable compared to object detection and classification. Although lots of CNN based methods have been proposed for LV segmentation, no robust and reproducible results are achieved yet. In this paper, we try to reproduce the CNN based LV segmentation methods with their disclosed codes and trained CNN models. Not surprisingly, the reproduced results are significantly worse than their claimed accuracies. We also proposed a fully automated LV segmentation method based on slope difference distribution (SDD) threshold selection to compare with the reproduced CNN methods. The proposed method achieved 95.44% DICE score on the test set of automated cardiac diagnosis challenge (ACDC) while the two compared CNN methods achieved 90.28% and 87.13% DICE scores. Our achieved accuracy is also higher than the best accuracy reported in the published literatures. The MATLAB codes of our proposed method are freely available on line.

연구 동기 및 목표

• 심장 MRI에서 강건하고 재현 가능한 왼쪽 심실(LV) 분할을 위한 지속적인 과제를 해결하기 위해.
• 보고된 딥러닝 기반의 왼쪽 심실 분할 방법이 재현되지 않는 이유를 조사하기 위해.
• 딥러닝 접근법에 대한 신뢰할 수 있는 대안이 되는 완전 자동화, 재현 가능하고 고정도의 왼쪽 심실 분할 방법을 개발하기 위해.
• 기존의 CNN 기반 방법과 문헌에 발표된 결과보다 분할 정확도에서 뛰어난 성능을 내기 위해.

제안 방법

• 이 방법은 왼쪽 심실의 내피막 및 외피막 경계를 자동으로 식별하기 위해 경사 차이 분포(SDD) 임계값 선택 기법을 활용한다.
• SDD 분석은 심실 벽을 관통하는 강도 프로파일에 적용되어 혈액 풀, 내피막 및 심장 근육 사이의 특징적인 전이를 탐지한다.
• 알고리즘은 기울기 기반의 경사 차이를 사용하여 수동 초기화 또는 모델 최적화 없이도 최적의 임계값을 찾는다.
• 이 방법은 완전 자동화되어 있으며, 사용자 입력이나 사전 훈련된 딥러닝 모델이 필요하지 않다.
• 단축축 심장 MRI 슬라이스의 강도 분포 패턴을 활용하여 다양한 환자 스캔 간 일관된 분할을 가능하게 한다.
• SDD 기반 방법의 MATLAB 코드는 재현성과 커뮤니티 활용을 위해 공개되어 있다.

실험 결과

연구 질문

• RQ1 다수의 딥러닝 기반 왼쪽 심실 분할 방법이 공개된 모델과 코드로 재현되었을 때 보고된 성능을 달성하지 못하는 이유는 무엇인가?
• RQ2 딥러닝 기반 방법이 아닌 강도 기반 방법이 ACDC 데이터셋에서 최신 기술 기반 CNN보다 뛰어난 분할 정확도를 달성할 수 있는가?
• RQ3 SDD 임계값 선택 기법은 모델 재학습 없이 다양한 심장 MRI 스캔에 대해 강건하고 일반화 가능한가?
• RQ4 제안된 방법은 재현된 CNN 모델들과 문헌에 발표된 결과와 비교하여 DICE 스코어 측면에서 어떻게 정량적으로 평가되는가?
• RQ5 완전 자동화된, 학습 기반 방법이 아닌 방법이 왼쪽 심실 분할에서 학습 기반 접근법을 능가할 수 있는가?

주요 결과

• 제안된 SDD 기반 방법은 ACDC 테스트 세트에서 95.44%의 DICE 스코어를 달성하여 두 개의 재현된 CNN 모델(90.28% 및 87.13%)을 뚜렷이 뛰어넘었다.
• SDD 방법은 ACDC 데이터셋에서 왼쪽 심실 분할에 대해 기존 문헌에 보고된 최고의 정확도를 초월하였다.
• 재현된 CNN 모델들은 일관되게 원래 보고된 결과보다 성능이 떨어졌으며, 딥러닝 기반 왼쪽 심실 분할의 재현성 문제를 시사한다.
• SDD 방법은 하이퍼파라미터 조정이나 모델 최적화가 필요 없으며, 계산적으로도 효율적이다.
• SDD 방법의 MATLAB 구현 코드는 공개되어 있어 완전한 재현성과 커뮤니티의 활용을 가능하게 한다.
• 결과는 비딥러닝 기반의 강도 기반 방법이 현재의 CNN 기반 접근법보다 뛰어난 성능과 신뢰성을 달성할 수 있음을 시사한다.