[논문 리뷰] Learning-based Regularization for Cardiac Strain Analysis with Ability for Domain Adaptation

Allen Lu, Nripesh Parajuli외 11명|arXiv (Cornell University)|2018. 07. 12.

Cardiac Valve Diseases and Treatments참고 문헌 25인용 수 5

한 줄 요약

이 논문은 생체역학적 제약 조건과 도메인 적응을 통합한 3D+시간 초음파 심장 혈관 분석을 위한 학습 기반 정규화 프레임워크를 제안한다. 감독 학습 기반 신경망은 합성 데이터를 사용하고, 비감독 학습 기반 오토인코더는 생체역학적 정규화를 적용하여 운동 추정 정확도를 향상시킨다. 이로 인해 사망 후 심장에서 수작업으로 추적한 부정맥 부위와 예측된 변형 지도 간 강한 일치를 달성한다.

ABSTRACT

Reliable motion estimation and strain analysis using 3D+time echocardiography (4DE) for localization and characterization of myocardial injury is valuable for early detection and targeted interventions. However, motion estimation is difficult due to the low-SNR that stems from the inherent image properties of 4DE, and intelligent regularization is critical for producing reliable motion estimates. In this work, we incorporated the notion of domain adaptation into a supervised neural network regularization framework. We first propose an unsupervised autoencoder network with biomechanical constraints for learning a latent representation that is shown to have more physiologically plausible displacements. We extended this framework to include a supervised loss term on synthetic data and showed the effects of biomechanical constraints on the network's ability for domain adaptation. We validated both the autoencoder and semi-supervised regularization method on in vivo data with implanted sonomicrometers. Finally, we showed the ability of our semi-supervised learning regularization approach to identify infarcted regions using estimated regional strain maps with good agreement to manually traced infarct regions from postmortem excised hearts.

연구 동기 및 목표

• 저 SNR의 4DE 영상에서 노이즈와 아티팩트에 취약한 환경에서 운동 추정 및 변형 분석의 신뢰성을 향상시키기 위해.
• 심장 운동 추적에서 실제 데이터의 레이블이 제한된 문제를 해결하기 위해 합성 데이터에서 실존하는 생체 내 데이터로의 도메인 적응을 가능하게 하기 위해.
• 생체역학적 제약 조건을 사용하여 생리적으로 타당한 심장 근육 이동을 생성하는 정규화 방법을 개발하기 위해.
• 예측된 변형 지도가 사망 후 기준값으로 사용된 수작업 추적 결과와 일치하는지를 검증하여 부정맥 부위 탐지 능력을 입증하기 위해.
• 이 schemia 상태의 심장 근육 부위를 보다 정확하게 탐지하기 위해 스트레스 및 휴식 상태에서의 강력한 변형 분석을 가능하게 하기 위해.

제안 방법

• 생리적으로 타당한 심장 근육 이동을 반영하는 잠재 표현을 학습하기 위해 생체역학적 제약 조건이 적용된 비감독 학습 기반 오토인코더를 제안한다.
• 합성 4DE 데이터에 감독 손실을 추가하여 일반화 능력을 향상시키기 위해 준감독 학습 프레임워크를 도입한다.
• 오토인코더 학습 중에 부드러움, 부피 보존 등의 생체역학적 제약 조건을 적용하여 이동 필드를 정규화한다.
• 비정적 등록을 위해 B-spline 변환과 상호정보를 유사도 측정 기준으로 사용하여 고밀도 이동 필드를 추정한다.
• 휴식 상태의 심장 수축 말기에서 스트레스 상태 영상으로의 변환을 적용하여 기능 평가를 위한 차등 변형 지도를 계산한다.
• 식물 내 데이터에서 삽입된 소노미크로미터를 사용하여 결과를 검증하고, 사망 후 제거된 심장에서 수작업으로 추적한 부정맥 부위와 변형 지도를 비교한다.

실험 결과

연구 질문

• RQ1 기존의 블록 매칭 또는 비정적 등록 기반 방법과 비교해, 딥 러닝 기반 정규화 프레임워크가 저 SNR 4DE 영상에서 운동 추정 정확도를 향상시킬 수 있는가?
• RQ2 비감독 학습 오토인코더에 적용된 생체역학적 제약 조건이 학습된 이동 필드의 생리적 타당성을 어느 정도 향상시키는가?
• RQ3 준감독 학습 접근법이 합성 데이터에서 실존하는 생체 내 4DE 데이터로 지식을 전이하는 데 얼마나 효과적인가?
• RQ4 예측된 변형 지도가 사망 후 기준값으로 사용된 수작업 추적 결과와 비교해 부정맥 부위를 정확하게 식별할 수 있는가?
• RQ5 스트레스 및 휴식 상태에서의 차등 변형 분석이 휴식 상태 분석에 비해 이 schemia 부위 탐지 능력을 향상시키는가?

주요 결과

• 준감독 학습 접근법은 스트레스 상태에서 부정맥 부위의 중앙 피크 변형률을 평균 18.3%로 기록하였고, 비부정맥 부위는 35.2%로 나타나, 이는 이 schemia 영역을 드러내는 데 유의미한 변형 차이를 보였다.
• 차등 변형 지도에서는 기능적 변화의 시각화가 향상되었으며, 평균 차등 변형률이 부정맥 부위에서 2.8%로 나타나 수축 능력 저하를 시사하였다.
• 예측된 변형 지도와 사망 후 제거된 심장에서 수작업으로 추적한 부정맥 부위 간 강한 일치를 보였으며, 임상적 관련성을 입증하였다.
• 오토인코더에 생체역학적 제약 조건을 통합함으로써 이동 필드의 생리적 타당성이 향상되었고, 노이즈 감소와 공간 일관성 향상이 이루어졌다.
• 소노미크로미터를 탑재한 생체 내 데이터에서 신뢰할 수 있는 변형 추정을 달성하여 운동 추정 및 정규화의 정확성을 확인하였다.
• 본 연구는 현대 기계학습에서 회귀 문제에 적용된 첫 번째 도메인 적응 방법을 제시하며, 합성 데이터에서 실존 데이터로의 효과적인 전이를 가능하게 하였다.