[논문 리뷰] Joint Left Atrial Segmentation and Scar Quantification Based on a DNN with Spatial Encoding and Shape Attention

Lei Li, Xin Weng외 2명|arXiv (Cornell University)|2020. 06. 23.

Atrial Fibrillation Management and Outcomes참고 문헌 12인용 수 4

한 줄 요약

이 논문은 후기 가돌리늄 강화 영상에서 심방의 세분화와 섬유화된 상처의 정량화를 동시에 수행하는 엔드 투 엔드 딥 러닝 프레임워크인 MTL-SESA를 제안한다. 서명된 거리 변환 맵을 통한 공간 인코딩 손실과 표면 투영을 통한 형태 주의 메커니즘을 통합함으로써, 세분화 노이즈를 감소시키고 작은 이질적인 상처의 탐지 능력을 향상시켜, 60명의 환자 스캔에서 기준 모델 및 최신 기술 대비 뛰어난 성능을 달성한다.

ABSTRACT

We propose an end-to-end deep neural network (DNN) which can simultaneously segment the left atrial (LA) cavity and quantify LA scars. The framework incorporates the continuous spatial information of the target by introducing a spatially encoded (SE) loss based on the distance transform map. Compared to conventional binary label based loss, the proposed SE loss can reduce noisy patches in the resulting segmentation, which is commonly seen for deep learning-based methods. To fully utilize the inherent spatial relationship between LA and LA scars, we further propose a shape attention (SA) mechanism through an explicit surface projection to build an end-to-end-trainable model. Specifically, the SA scheme is embedded into a two-task network to perform the joint LA segmentation and scar quantification. Moreover, the proposed method can alleviate the severe class-imbalance problem when detecting small and discrete targets like scars. We evaluated the proposed framework on 60 LGE MRI data from the MICCAI2018 LA challenge. For LA segmentation, the proposed method reduced the mean Hausdorff distance from 36.4 mm to 20.0 mm compared to the 3D basic U-Net using the binary cross-entropy loss. For scar quantification, the method was compared with the results or algorithms reported in the literature and demonstrated better performance.

연구 동기 및 목표

• 딥 러닝 기반 심방(LA) 및 상처 세분화에서 노이즈가 많고 외곽선이 불안정한 문제를 해결하기 위해.
• 공간 및 형태 사전 지식을 활용하여, 특히 작은 이질적인 섬유화 영역의 정량화 정확도를 향상시키기 위해.
• 심방 세분화와 상처 탐지 작업을 동시에 최적화하는 엔드 투 엔드 학습이 가능한 다중 작업 네트워크를 개발하기 위해.
• 기존의 상처 정량화 방법에서 흔히 사용되는 수동 초기화 또는 별도의 후처리 단계에 대한 의존도를 줄이기 위해.
• 손실 함수에 공간적 및 구조적 제약 조건을 통합하여 상처 탐지에서의 클래스 불균형 문제를 완화하기 위해.

제안 방법

• 심방 세분화의 정규화를 위해 서명된 거리 변환 맵(DTM) 기반의 공간 인코딩(SE) 손실을 도입하여 경계 흐릿함과 노이즈 패치를 감소시킨다.
• 거리 확률 맵을 사용하여 LA 및 상처 예측 작업 양쪽에 SE 손실을 적용함으로써 예측의 공간 일관성을 향상시킨다.
• 심방 경계를 공간 마스크로 투영하는 형태 주의(SA) 메커니즘을 도입하여 상처 예측을 안내하며, 심방과 상처 간의解剖학적 관계를 명시적으로 모델링한다.
• 심방 세분화를 위한 디코더와 상처 정량화를 위한 디코더를 각각 갖춘 다중 작업 학습(MTL) U-Net 아키텍처를 설계하여 엔드 투 엔드 학습을 가능하게 한다.
• 실험에서 β=1로 설정된 서명된 DTM φ(xi) = -d^β (심방 내부), 0 (경계 상), d^β (외부)로 정의한다.
• SA 모듈을 통합하기 위해 표면 투영 전략을 구현하여 상처 예측가 심방 벽 표면에 공간적으로 제약을 두도록 보장한다.

실험 결과

연구 질문

• RQ1 거리 변환 맵 기반의 공간 인코딩 손실이 노이즈가 많고 끊어진 영역이 많은 딥 러닝 기반 심방 세분화의 품질을 향상시키는가?
• RQ2 표면 투영을 통한 형태 주의를 통합함으로써 작은 이질적인 심방 상처 탐지 능력은 어떻게 향상되는가?
• RQ3 SE 및 SA 손실을 통합한 병렬 다중 작업 학습 프레임워크가 기존 손실 함수(BCE, Dice 등)보다 심방 세분화 및 상처 정량화에서 우수한 성능을 내는가?
• RQ4 제안된 방법이 기준 딥 러닝 접근법 대비 상처 탐지에서의 클래스 불균형 문제에 얼마나 효과적으로 대응하는가?
• RQ5 엔드 투 엔드 프레임워크가 상처 정량화에서 수동 초기화 또는 별도의 후처리 단계가 필요 없도록 하는가?

주요 결과

• 제안된 MTL-SESA 방법은 심방 세분화의 평균 하우스도르프 거리를 BCE 손실을 사용한 3D U-Net의 36.4 mm에서 20.0 mm로 감소시켜 경계 정확도를 크게 향상시켰다.
• SE 손실은 노이즈 패치와 외곽선을 감소시켜, 딱딱한 유사도 점수와 유사한 상황에서도 하우스도르프 거리에서 통계적으로 유의미한 향상(p < 0.001)을 이끌어냈다.
• 상처 정량화에서의 딱딱한 유사도 점수는 0.867 ± 0.032를 기록하여 Otsu, MGMM, LearnGC, BCE 또는 Dice 손실을 사용한 U-Net을 포함한 모든 비교 방법을 능가했으며(p ≤ 0.001), 유의미한 향상이 있었다.
• SE 및 SA 손실을 함께 통합함으로써 작은 이질적인 상처의 탐지 능력이 향상되었으며, 3D 재구성도를 통해 명백히 확인되었고, 더 매끄럽고 해부학적으로 타당한 상처 지도를 생성했다.
• 상호 관측자 간 변동성(딱딱한 유사도: 0.891 ± 0.017)과 유사한 성능을 보이며 높은 신뢰성을 입증했다.
• Accuracy 및 G-Dice는 SE/SA 도입으로 약간 저하되었지만, 딱딱한 유사도 및 하우스도르프 거리에서의 전반적인 향상은 본 방법의 강건성과 임상적 관련성을 확인한다.