[논문 리뷰] Multiview Two-Task Recursive Attention Model for Left Atrium and Atrial Scars Segmentation

Jun Chen, Guang Yang외 10명|arXiv (Cornell University)|2018. 06. 12.

Cardiac Valve Diseases and Treatments참고 문헌 9인용 수 4

한 줄 요약

이 논문은 단일 촬영 LGE-CMRI 스캔에서 좌심방(LA)과 기도정맥, 심방 석회화를 동시에 분할하기 위해 순차적이고 확장된 잔여 학습을 통한 주의 메커니즘을 통합한 새로운 다중시각 이중작업 순환 주의 모델(MVTT)을 제안한다. 이 방법은 기존 방법보다 유의하게 석회화 감지 민감도와 Dice 점수를 향상시키며, 추가로 밝은 혈액 MRI나 정렬을 필요로 하지 않는다.

ABSTRACT

Late Gadolinium Enhanced Cardiac MRI (LGE-CMRI) for detecting atrial scars in atrial fibrillation (AF) patients has recently emerged as a promising technique to stratify patients, guide ablation therapy and predict treatment success. Visualisation and quantification of scar tissues require a segmentation of both the left atrium (LA) and the high intensity scar regions from LGE-CMRI images. These two segmentation tasks are challenging due to the cancelling of healthy tissue signal, low signal-to-noise ratio and often limited image quality in these patients. Most approaches require manual supervision and/or a second bright-blood MRI acquisition for anatomical segmentation. Segmenting both the LA anatomy and the scar tissues automatically from a single LGE-CMRI acquisition is highly in demand. In this study, we proposed a novel fully automated multiview two-task (MVTT) recursive attention model working directly on LGE-CMRI images that combines a sequential learning and a dilated residual learning to segment the LA (including attached pulmonary veins) and delineate the atrial scars simultaneously via an innovative attention model. Compared to other state-of-the-art methods, the proposed MVTT achieves compelling improvement, enabling to generate a patient-specific anatomical and atrial scar assessment model.

연구 동기 및 목표

• 단일 LGE-CMRI 스캔에서 좌심방(기도정맥 포함)과 심방 석회화를 완전 자동으로 동시에 분할하는 방법을 개발하는 것.
• LGE-CMRI에서 저신호 대비비, 건강한 조직의 신호 제거, 심방세동 환자에서의 열악한 영상 품질과 같은 과제를 극복하는 것.
• 이전 방법에서 흔히 발생하는 추가 밝은 혈액 MRI 촬영 및 이후 정렬 오류에 의존하지 않도록 하는 것.
• 주목적 메커니즘을 통해 작은 초화성 석회화 부위를 보다 민감하고 정확하게 탐지함으로써 감도와 정확도를 향상시키는 것.
• 심방세동 환자 치료를 위한 레이저 고주파 제거 수술 가이드라인을 제공하기 위해 환자별로 재현 가능하고 신뢰할 수 있는 해부학적 및 석회화 평가를 가능하게 하는 것.

제안 방법

• MVTT 프레임워크는 다중시각 학습을 활용한다: Axial 시각 특징은 ConvLSTM를 사용한 순차적 학습 네트워크로 추출되며, Sagittal 및 Coronal 시각은 다중 척도의 맥락을 캡처하기 위해 확장된 잔여 학습을 사용한다.
• 작고 저대비인 심방 석회화 부위의 특징 표현을 향상시키기 위해 순환 주의 메커니즘을 통합하여 분류 가능한 공간 패턴에 집중한다.
• 각각의 합성곱층 다음에 ReLU와 국소 반응 정규화(LRN)가 오는 3D U-Net 유사 아키텍처를 사용한다.
• 특징 맵은 최대풀링(에코더) 및 이중선형 보간(디코더)를 거치며, 공간 세부 정보를 유지하기 위해 스킵 연결이 사용된다.
• 양방향 LA/PV 및 석회화 분할 작업을 위한 병합 손실 함수를 사용해 엔드 투 엔드로 네트워크를 훈련시켜 공동 최적화를 가능하게 한다.
• 3D LGE-MRI 자료를 축합, 사선, 골반 단면으로 재구성하여 상보적인 해부학적 정보를 활용한다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 추가 영상 없이 단일 LGE-CMRI 스캔에서 좌심방(기도정맥 포함)과 심방 석회화를 정확하게 분할할 수 있는가?
• RQ2 축합, 사선, 골반 다중시각 특징 학습을 통합할 경우 단일시각 접근법에 비해 분할 성능이 어떻게 향상되는가?
• RQ3 주의 메커니즘이 노이즈가 많은 LGE-CMRI 데이터에서 작은 저대비 심방 석회화 부위 탐지에 얼마나 기여하는가?
• RQ4 해부학 + 석환 분할의 동시 이중작업 학습이 LA/PV 및 석환 분할을 별도로 훈련하는 것과 비교해 어떻게 다른가?
• RQ5 ConvLSTM 및 확장된 잔여 블록과 같은 아키텍처 구성 요소가 모델의 강건성과 일반화 능력에 미치는 영향은 무엇인가?

주요 결과

• MVTT는 좌심방 및 기도정맥 분할에서 0.9990 ± 0.0009의 Dice 점수를 기록하여 WHS 방법(민감도 0.905 대 0.859)보다 유의미하게 뛰어난 성능을 보였다.
• 심방 석환 분할의 경우 MVTT는 0.7764 ± 0.1459의 Dice 점수를 기록하여 비지도 방법(예: SD 기반 임계치 설정: Dice < 0.1)과 U-Net 기준선을 모두 능가했다.
• 제거 실험을 통해 다중시각 순차적 학습이 축합 단일 학습보다 LA/PV 분할 성능을 향상시켰으며, Dice 점수는 0.0067 증가했다.
• 주의 메커니즘이 석환 분할 민감도를 0.7491에서 0.7764로 0.0272 향상시키고, Dice 점수도 0.0273 향상시켜 작은 석환 부위를 강조하는 데 효과적임을 입증했다.
• 동시 이중작업 학습 프레임워크는 별도 훈련보다 더 좋은 결과를 도출하여 상호 감독이 특징 학습을 향상시킴을 시사했다.
• 모델는 높은 특이도(0.9997 ± 0.0002)와 강력한 수렴 성능를 보였으며, 원래 석환 부위가 거의 없는 전수술 환자에서는 성능이 略로 약간 감소하는 경향을 보였다.