[논문 리뷰] Human-level CMR image analysis with deep fully convolutional networks.

Wenjia Bai, Matthew Sinclair외 21명|arXiv (Cornell University)|2017. 10. 25.

Medical Image Segmentation Techniques인용 수 33

한 줄 요약

이 논문은 심장혈관磁共振 영상(CMR) 영상에 대한 자동화되고 인간 수준의 분석을 위한 딥 풀 컨볼루션 네트워크(FCN)를 제시한다. 4,875명의 환자와 93,500개의 픽셀 수준으로 애너테이션된 영상으로 구성된 대규모 데이터셋을 훈련시켜, 심실 부피, 심정출률, 심장근량을 정량화하는 데 전문 방사선의사 수준의 성능을 달성한다.

ABSTRACT

Cardiovascular magnetic resonance (CMR) imaging is a standard imaging modality for assessing cardiovascular diseases (CVDs), the leading cause of death globally. CMR enables accurate quantification of the cardiac chamber volume, ejection fraction and myocardial mass, providing a wealth of information for sensitive and specific diagnosis and monitoring of CVDs. However, for years, clinicians have been relying on manual approaches for CMR image analysis, which is time consuming and prone to subjective errors. It is a major clinical challenge to automatically derive quantitative and clinically relevant information from CMR images. Deep neural networks have shown a great potential in image pattern recognition and segmentation for a variety of tasks. Here we demonstrate an automated analysis method for CMR images, which is based on a fully convolutional network (FCN). The network is trained and evaluated on a dataset of unprecedented size, consisting of 4,875 subjects with 93,500 pixelwise annotated images, which is by far the largest annotated CMR dataset. By combining FCN with a large-scale annotated dataset, we show for the first time that an automated method achieves a performance on par with human experts in analysing CMR images and deriving clinical measures. We anticipate this to be a starting point for automated and comprehensive CMR analysis with human-level performance, facilitated by machine learning. It is an important advance on the pathway towards computer-assisted CVD assessment.

연구 동기 및 목표

• CMR 영상의 수동 분석이 시간이 오래 걸리고 주관적인 임상적 과제를 해결하기 위해.
• 수동 전문가 수준의 진단 정확도를 달성하는 자동화된 방법을 개발하기 위해.
• 딥 러닝을 활용하여 CMR 스캔에서 심장 구조의 강력하고 픽셀 수준의 세분화를 수행하기 위해.
• 대규모, 풀 컨볼루션 네트워크의 실현 가능성을 의료 영상 분석 분야에서 임상적 관련성과 함께 입증하기 위해.
• 기계 학습을 활용한 컴퓨터 보조 종합적 CMR 평가의 기반을 마련하기 위해.

제안 방법

• 풀 컨볼루션 네트워크(FCN)를 사용하여 CMR 영상에서 심장 구조의 엔드-투-엔드 픽셀 수준 세분화를 수행한다.
• 4,875명의 환자로 구성된 대규모 데이터셋을 사용하여 훈련하며, 이는 93,500개의 픽셀 수준으로 애너테이션된 CMR 영상으로 구성되어 있으며, 지금까지 가장 큰 규모의 데이터셋이다.
• FCN 아키텍처는 전체 영상에 걸쳐 조밀한 예측을 가능하게 하여 정확한解剖학적 국소화를 위한 공간 해상도를 유지한다.
• 세분화 작업을 위한 엔드-투-엔드 학습을 지원하는 손실 함수를 사용하여 네트워크를 최적화한다.
• 표준 심장 세분화 및 임상 정량 분석 지표를 사용하여 방법을 평가한다.
• 임상적 관련성을 검증하기 위해 전문가 수준의 인간 독자와의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 딥 풀 컨볼루션 네트워크가 CMR 영상 분석에서 인간 수준의 성능을 달성할 수 있는가?
• RQ2 대규모 픽셀 수준으로 애너테이션된 데이터셋은 자동 CMR 분석의 정확도를 상당히 향상시키는가?
• RQ3 FCN 기반 방법은 심정출률 및 심장근량과 같은 임상적으로 유의미한 측정치를 CMR 영상에서 신뢰성 있게 유도할 수 있는가?
• RQ4 자동화된 방법의 성능는 정량적 심장 평가에서 전문가 수준의 인간 독자와 비교하여 어떻게 되는가?
• RQ5 딥 러닝 모델은 높은 신뢰성으로 임상 수준의 CMR 영상 분석에 효과적으로 스케일업될 수 있는가?

주요 결과

• 제안된 FCN 모델은 CMR 영상 분석과 핵심 임상 지표 유도에서 인간 전문가 수준의 성능을 달성한다.
• 모델은 심장 주기 전반에 걸쳐 좌심실 내피막 및 외피막 경계의 세분화에서 높은 정확도를 보여준다.
• 93,500개의 픽셀 수준으로 애너테이션된 영상으로 구성된 대규모 데이터셋의 사용은 모델의 일반화 능력과 강건성을 크게 향상시킨다.
• 이 방법은 심장실 부피, 심정출률, 심장근량의 자동화되고 재현 가능한 정량 분석을 가능하게 한다.
• 결과는 자동 CMR 분석 분야에서의 중요한 전환점이며, 이 분야에서 딥 러닝 모델이 인간 수준의 성능에 도달한 최초의 사례이다.
• 이 접근법은 임상 현장에서 확장 가능하고 컴퓨터 보조 심혈관질환 평가의 길을 열어 놓는다.