[논문 리뷰] Functional Segmentation through Dynamic Mode Decomposition: Automatic Quantification of Kidney Function in DCE-MRI Images

Santosh Tirunagari, Norman Poh외 4명|arXiv (Cornell University)|2019. 05. 24.

Advanced MRI Techniques and Applications참고 문헌 32인용 수 4

한 줄 요약

이 논문은 동적 모드 분해(DMD)를 사용하여 신장 DCE-MRI에 대한 완전 자동 기능 세분화 방법을 제안한다. 수동 ROI 윤곽 설정을 대체하기 위해 동적 MRI 시퀀스를 주요 시공간 모드로 분해함으로써 DMD는 가장 일관된 강도 변동(모드-2)으로 신장 영역을 분리한다. 이후 임계값 처리와 연결 성분 분석을 수행한다. 이 방법은 평균 재현율 지수(Jaccard similarity coefficient) 0.87을 달성하여 수동 전문가 평가 및 경계 상자 방법을 뛰어넘는다.

ABSTRACT

Quantification of kidney function in Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) requires careful segmentation of the renal region of interest (ROI). Traditionally, human experts are required to manually delineate the kidney ROI across multiple images in the dynamic sequence. This approach is costly, time-consuming and labour intensive, and therefore acts to limit patient throughout and acts as one of the factors limiting the wider adoption of DCR-MRI in clinical practice. Therefore, to address this issue, we present the first use of Dynamic Mode Decomposition (DMD) as a basis for automatic segmentation of a dynamic sequence, in this case, kidney ROIs in DCE-MRI. Using DMD coupled combined with thresholding and connected component analysis is first validated on synthetically generated data with known ground-truth, and then applied to ten healthy volunteers' DCE-MRI datasets. We find that the segmentation result obtained from our proposed DMD framework is comparable to that of expert observers and very significantly better than that of an a-priori bounding box segmentation. Our result gives a mean Jaccard coefficient of 0.87, compared to mean scores of 0.85, 0.88 and 0.87 produced from three independent manual annotations. This represents the first use of DMD as a robust automatic data-driven segmentation approach without requiring any human intervention. This is a viable, efficient alternative approach to current manual methods of isolation of kidney function in DCE-MRI.

연구 동기 및 목표

• DCE-MRI에서 수동 신장 ROI 세분화의 높은 노동력과 시간 소모 문제를 해결하기 위해.
• 수동 간섭 없이 완전 자동으로 데이터 기반 세분화 방법을 개발하기 위해.
• DMD가 동적 대조제 강화 MRI 시퀀스에서 기능적 신장 영역을 견고하게 추출할 수 있는지 평가하기 위해.
• DMD 기반 방법의 성능을 전문가 수동 세분화 및 사전 지식 기반 경계 상자 방법과 비교하기 위해.

제안 방법

• 동적 MRI 시퀀스 全체에 동적 모드 분해(DMD)를 적용하여 대조제 주입에 따른 조직 반응을 나타내는 주요 시공간 모드를 추출한다.
• 두 번째 DMD 모드(모드-2)는 혈류 공급으로 인한 강한 인과적 연결된 강도 변동으로 인해 항상 신장 영역에 해당한다.
• 모드-2 재구성에 단순 임계값 처리 기법을 적용하여 이진 마스크를 생성한다.
• 연결 성분 분석을 통해 가장 큰 연결 영역을 최종 신장 ROI로 선택한다.
• 먼저 알려진 진실값이 있는 합성 DCE-MRI 데이터를 사용하여 방법의 유효성을 검증한다.
• 전문가 평가 및 진실값과의 비교를 통해 Jaccard 유사도 계수(JSC)와 평균 제곱오차(MSE)를 평가한다.

실험 결과

연구 질문

• RQ1 DMD는 수동 간섭 없이 DCE-MRI 시퀀스에서 기능적 신장 영역을 효과적으로 추출할 수 있는가?
• RQ2 Jaccard 유사도 계수 측면에서 DMD 기반 세분화 성능은 수동 전문가 윤곽 설정과 비교해 어떻게 되는가?
• RQ3 DMD 프레임워크는 단순한 사전 지식 기반 경계 상자 세분화 방법보다 신장 ROI 식별에서 뛰어난 성능을 보이는가?
• RQ4 DMD는 동적 MRI 시퀀스에서 혈류 관련 강도 동역학을 낮은 질량 표현으로 신뢰성 있게 포착할 수 있는가?

주요 결과

• 제안된 DMD 프레임워크는 10명의 건강한 자발적 참가자 데이터셋에서 평균 Jaccard 유사도 계수(JSC) 0.867을 달성하였으며, 전문가 평균 JSC 0.855를 초월하였다.
• 개별 데이터셋에서 DMD 방법은 각각 데이터셋 4, 8, 9에 대해 JSC 값 0.915, 0.895, 0.883를 기록하여 이 경우 전문가 성능을 뛰어넘었다.
• DMD 방법은 평균 JSC 0.87을 기록하였으며, 전문가 평균 JSC 0.874와 유사했고, 경계 상자 방법(평균 JSC 0.357)보다 유의미하게 높았다.
• 평균 제곱오차(MSE) 평가에서 DMD 기반 신장 기능 정량화는 전문가 평가 및 경계 상자 방법보다 항상 진실값에 더 가까웠다.
• DMD 프레임워크는 모든 10개 데이터셋에서 신장 영역을 모드-2로 성공적으로 분리하여 혈류 관련 동역학을 포착하는 데 있어 견고함을 입증하였다.
• 이 방법은 높은 재현성과 관찰자 간 변동성 제거를 달성하여 수동 세분화의 신뢰할 수 있는 대안을 제공한다.