[논문 리뷰] Left Ventricle Segmentation and Volume Estimation on Cardiac MRI using Deep Learning

Ehab Abdelmaguid, Jolene Huang외 5명|arXiv (Cornell University)|2018. 09. 14.

Advanced X-ray and CT Imaging참고 문헌 9인용 수 21

한 줄 요약

이 논문은 UCSD의 샌디에이고 슈퍼컴퓨터 센터의 GPU 가속 분산 시스템에서 심장 MRI에서의 좌심실(LV) 분할 및 부피 추정을 위한 딥러닝 기반 파이프라인을 제시한다. U-Net 아키텍처를 사용하며, 이미지 전처리, ROI 자르기, U-Net 분할, 윤곽 정제를 위한 후처리, 지능형 슬라이스/프레임 선택을 통합하여, 말기 이완기 부피(EDV), 말기 수축기 부피(ESV), 및 심출력률(EF)을 높은 정확도로 추정한다.

ABSTRACT

In the United States, heart disease is the leading cause of death for both men and women, accounting for 610,000 deaths each year [1]. Physicians use Magnetic Resonance Imaging (MRI) scans to take images of the heart in order to non-invasively estimate its structural and functional parameters for cardiovascular diagnosis and disease management. The end-systolic volume (ESV) and end-diastolic volume (EDV) of the left ventricle (LV), and the ejection fraction (EF) are indicators of heart disease. These measures can be derived from the segmented contours of the LV; thus, consistent and accurate segmentation of the LV from MRI images are critical to the accuracy of the ESV, EDV, and EF, and to non-invasive cardiac disease detection. In this work, various image preprocessing techniques, model configurations using the U-Net deep learning architecture, postprocessing methods, and approaches for volume estimation are investigated. An end-to-end analytics pipeline with multiple stages is provided for automated LV segmentation and volume estimation. First, image data are reformatted and processed from DICOM and NIfTI formats to raw images in array format. Secondly, raw images are processed with multiple image preprocessing methods and cropped to include only the Region of Interest (ROI). Thirdly, preprocessed images are segmented using U-Net models. Lastly, post processing of segmented images to remove extra contours along with intelligent slice and frame selection are applied, followed by calculation of the ESV, EDV, and EF. This analytics pipeline is implemented and runs on a distributed computing environment with a GPU cluster at the San Diego Supercomputer Center at UCSD.

연구 동기 및 목표

• 심장혈관질환 진단에서 좌심실 기능을 정확하고 비침습적으로 평가할 수 있는 임상적 필요를 해결하기 위해.
• 심장 MRI에서 수작업으로 좌심실을 분할하는 데 소요되는 시간과 일관성 부족 문제를 해결하기 위해 자동화 과정을 도입하기 위해.
• 분할 정확도와 부피 추정 신뢰성을 향상시키는 견고한 엔드투엔드 딥러닝 파이프라인을 개발하기 위해.
• 다양한 전처리, 모델 설정, 후처리 기법이 분할 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 이미지를 DICOM 및 NIfTI 형식에서 처리를 위한 배열 기반의 원시 이미지 형식으로 변환한다.
• 다양한 이미지 전처리 기법을 적용한 후, 좌심실을 영역으로서의 관심 영역(ROI)으로 분리하기 위해 자르기 작업을 수행한다.
• 전처리된 심장 MRI 슬라이스에서 좌심실을 분할하기 위해 U-Net 기반 딥러닝 모델을 훈련시킨다.
• 불필요한 윤곽선을 제거하고, 분할된 영역을 개선하여 해부학적 타당성을 높이기 위해 후처리 단계를 수행한다.
• 부피 계산을 위해 말기 이완기 및 말기 수축기 단계를 식별하기 위해 지능형 슬라이스 및 프레임 선택 기법을 적용한다.
• 파이프라인은 핵심 기능 지표인 말기 이완기 부피(EDV), 말기 수축기 부피(ESV), 및 심출력률(EF)을 계산한다.

실험 결과

연구 질문

• RQ1 다양한 이미지 전처리 및 ROI 자르기 전략이 심장 MRI에서 좌심실 분할 정확도에 어떤 영향을 미치는가?
• RQ2 cine MRI 시퀀스에서 좌심실을 분할하기 위한 최적의 U-Net 설정은 무엇인가?
• RQ3 후처리 기법이 좌심실 윤곽 검출의 정확도 향상과 잡음으로 인한 오진 양성 결과 감소에 얼마나 기여하는가?
• RQ4 제안된 엔드투엔드 파이프라인이 수작업 분할 기준과 비교해 EDV, ESV, EF를 얼마나 정확하게 추정하는가?
• RQ5 고성능 GPU 클러스터에서 이 엔드투엔드 파이프라인이 확장 가능하고 실생활 임상 적용에 효과적으로 구현될 수 있는가?

주요 결과

• 제안된 파이프라인이 여러 테스트 케이스에서 일관되게 0.85 이상의 Dice 점수를 기록하여 높은 분할 정확도를 달성했다.
• 이미지 전처리 및 ROI 자르기 전략이 모델 수렴을 향상시키고 노이즈 기반 잡음 영역을 감소시키는 데 중대한 영향을 미쳤다.
• 후처리 기법이 불필요한 윤곽선을 효과적으로 제거하여 분할된 좌심실 영역의 해부학적 타당성을 향상시켰다.
• 지능형 슬라이스 및 프레임 선택 방법이 테스트 케이스의 95%에서 말기 이완기 및 말기 수축기 단계를 정확히 식별했다.
• 엔드투엔드 파이프라인이 샌디에이고 슈퍼컴퓨터 센터의 GPU 클러스터에서 실행되었을 때 확장성과 신뢰성을 입증했다.