[논문 리뷰] Left Ventricle Segmentation via Optical-Flow-Net from Short-axis Cine MRI: Preserving the Temporal Coherence of Cardiac Motion

Wenjun Yan, Yuanyuan Wang외 3명|arXiv (Cornell University)|2018. 10. 20.

Medical Image Segmentation Techniques참고 문헌 6인용 수 3

한 줄 요약

이 논문은 단축축 cine MRI에서 심실의 시간적 일관성을 유지하기 위해 광학 흐름 추정을 통합한 U-Net 기반 딥러닝 프레임워크를 제안한다. 특징 수준에서 광학 흐름 특징을 융합함으로써, 분할 정확도와 시간적 일관성이 향상되며, Cardiac Atlas 데이터셋에서 95%의 Dice 스코어와 0.9픽셀 평균 수직 거리 성능을 달성하여 표준 U-Net을 능가한다.

ABSTRACT

Quantitative assessment of left ventricle (LV) function from cine MRI has significant diagnostic and prognostic value for cardiovascular disease patients. The temporal movement of LV provides essential information on the contracting/relaxing pattern of heart, which is keenly evaluated by clinical experts in clinical practice. Inspired by the expert way of viewing Cine MRI, we propose a new CNN module that is able to incorporate the temporal information into LV segmentation from cine MRI. In the proposed CNN, the optical flow (OF) between neighboring frames is integrated and aggregated at feature level, such that temporal coherence in cardiac motion can be taken into account during segmentation. The proposed module is integrated into the U-net architecture without need of additional training. Furthermore, dilated convolution is introduced to improve the spatial accuracy of segmentation. Trained and tested on the Cardiac Atlas database, the proposed network resulted in a Dice index of 95% and an average perpendicular distance of 0.9 pixels for the middle LV contour, significantly outperforming the original U-net that processes each frame individually. Notably, the proposed method improved the temporal coherence of LV segmentation results, especially at the LV apex and base where the cardiac motion is difficult to follow.

연구 동기 및 목표

• 심장 운동의 시간적 동역학을 활용하여 cine MRI에서 심실 분할 정확도를 향상시키기 위해.
• 프레임 간 독립적인 분할 방법이 심장 운동의 시간적 일관성을 忽시하는 한계를 해결하기 위해.
• 운동이 복잡하고 추적하기 어려운 심실의 심장 끝부분과 기저부에서의 분할 정확도를 향상시키기 위해.
• 추가 학습이나 아키텍처의 대대적 개선 없이도 광학 흐름을 U-Net 아키텍처에 통합하기 위해.
• 더 나은 윤곽 추적을 위해 팽창된 컨볼루션을 사용하여 공간 정밀도를 향상시키기 위해.

제안 방법

• 이 방법은 인접한 cine MRI 프레임 간의 광학 흐름을 계산하는 새로운 CNN 모듈을 도입하여 시간적 운동 패턴을 포착한다.
• 광학 흐름 특징는 U-Net 인코더-디코더 아키텍처 내에서 특징 수준에서 융합되어 시간적 맥락을 기반으로 분할을 안내한다.
• 광학 흐름 모듈은 미분 가능하며 엔드 투 엔드로 통합되어 흐름과 분할의 공동 최적화를 가능하게 한다.
• 디코더에 팽창된 컨볼루션을 적용하여 수감 영역을 확장하고 분할 마스크의 공간 해상도를 향상시킨다.
• 표준 교차 엔트로피 손실과 Dice 기반 최적화를 사용하여 Cardiac Atlas 데이터베이스에서 엔드 투 엔드로 모델을 학습시킨다.
• 추론 시 추가 학습이 필요 없으며, 표준 U-Net에 플러그인 모듈로 작동한다.

실험 결과

연구 질문

• RQ1 광학 흐름 통합이 cine MRI에서 심실 분할의 시간적 일관성 향상에 기여하는가?
• RQ2 프레임 간 운동 동역학을 통합하면 개별 프레임 처리에 비해 더 높은 분할 정확도를 달성하는가?
• RQ3 제안된 방법은 심실의 끝부분과 기저부와 같이 어려운解剖학적 영역에서 어떻게 성능을 발휘하는가?
• RQ4 모델 복잡도 증가 없이도 또는 추가 학습 없이도 시간적 일관성이 유지되는가?
• RQ5 팽창된 컨볼루션은 심실 윤곽 검출의 공간 정밀도를 어느 정도 향상시키는가?

주요 결과

• 제안된 방법은 중간 심실 둘레에서 95%의 Dice 스코어를 달성하여 표준 U-Net을 크게 능가했다.
• 평균 수직 거리는 0.9픽셀로 감소하여 윤곽 정확도가 매우 높음을 시사했다.
• 특히 운동이 복잡한 심실 끝부분과 기저부에서 분할 결과의 시간적 일관성이 뚜렷이 향상되었다.
• 추가 학습이나 아키텍처 변경 없이도 높은 성능를 유지했다.
• 특징 수준에서 광학 흐름을 통합함으로써 운동 모델링이 향상되었고, 공간 세부 정보도 유지되었다.
• 팽창된 컨볼루션의 사용이 공간 해상도 향상과 윤곽 정밀도 향상에 기여했다.