[논문 리뷰] MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images

Lei Li, Fuping Wu외 30명|arXiv (Cornell University)|2022. 01. 10.

Cardiac Imaging and Diagnostics인용 수 10

한 줄 요약

이 논문은 bSSFP, LGE, T2-가중 영상의 3시퀀스 심장 MRI를 사용하여 심내막 섬유화와 부종을 동시에 분할하는 데 위한 MyoPS 벤치마크를 소개한다. 정렬된 이미지를 통합함으로써 진단 정확도를 향상시킨다. 전처리, 데이터 증강, 학습 전략, 모델 아키텍처, 후처리를 포함한 15가지 방법을 평가하여, 성능은 유망하지만 임상적 통합을 위해서는 해부학적 제약과 다중 시각 영상 처리에 대한 개선이 필요하다는 것을 밝혀냈다.

ABSTRACT

Assessment of myocardial viability is essential in diagnosis and treatment management of patients suffering from myocardial infarction, and classification of pathology on myocardium is the key to this assessment. This work defines a new task of medical image analysis, i.e., to perform myocardial pathology segmentation (MyoPS) combining three-sequence cardiac magnetic resonance (CMR) images, which was first proposed in the MyoPS challenge, in conjunction with MICCAI 2020. The challenge provided 45 paired and pre-aligned CMR images, allowing algorithms to combine the complementary information from the three CMR sequences for pathology segmentation. In this article, we provide details of the challenge, survey the works from fifteen participants and interpret their methods according to five aspects, i.e., preprocessing, data augmentation, learning strategy, model architecture and post-processing. In addition, we analyze the results with respect to different factors, in order to examine the key obstacles and explore potential of solutions, as well as to provide a benchmark for future research. We conclude that while promising results have been reported, the research is still in the early stage, and more in-depth exploration is needed before a successful application to the clinics. Note that MyoPS data and evaluation tool continue to be publicly available upon registration via its homepage (www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/).

연구 동기 및 목표

• 세 시퀀스 심장 MRI(bSSFP, LGE, T2-가중)를 이용한 심내막 섬유화와 부종의 동시에 분할을 위한 표준화된 벤치마크를 수립하기 위해.
• MyoPS 챌린지에 제출된 15개의 딥 러닝 방법의 성능 및 방법론적 설계를 평가하고 비교하기 위해.
• 강도 이질성, 형태 변동성, 영상 이질성 등의 문제를 포함한 다중 시퀀스 CMR 융합의 핵심 과제를 규명하기 위해.
• 관상동맥 영역 해부학적 지식과 같은 임상적 사전 지식과 현재의 딥 러닝 방법 간 격차를 부각하기 위해.
• 미래의 심장병리 분할 연구를 지원하기 위해 공개된 데이터와 평가 도구를 제공하기 위해.

제안 방법

• 벤치마크는 동일한 환자로부터 확보한 45개의 사전 정렬된 3시퀀스 CMR 스캔을 사용하며, bSSFP, LGE, T2-가중 시퀀스를 포함한다.
• 표준 분할 평가 지표인 Dice 점수, 민감도, 특이도, 정확도를 사용하여 평가하였으며, 수동 분할가 없는 경우에 특별한 주의를 기울였다.
• 전처리, 데이터 증강, 학습 전략, 모델 아키텍처, 후처리의 다섯 가지 차원에서 종합적인 방법론 설문 조사를 실시하였다.
• 다양한 영상 시퀀스와 분할 유형(섬유화 대 부종)에 따른 모델 성능을 분석하여 알고리즘 설계 및 성능의 추세를 규명하였다.
• 18세그먼트 모델과 관상동맥 영역 경계와 같은 해부학적 사전 지식은 분할의 타당성을 향상시키기 위한 잠재적 제약 조건으로 논의되었다.
• 평가 프레임워크는 지속적인 벤치마크를 지원하며, 정렬 및 분할 평가 도구를 포함하고 있으며, 등록 후 데이터 접근이 가능하다.

실험 결과

연구 질문

• RQ1 다중 시퀀스 CMR 영상에서 섬유화와 부등을 동시에 분할하는 데 있어 다양한 딥 러닝 아키텍처와 학습 전략의 성능은 어떻게 되는가?
• RQ2 데이터 증강 및 전처리는 이질적인 영상 강도와 병변에 걸쳐 분할의 강인성을 향상시키는 데 어떤 역할을 하는가?
• RQ3 현재의 방법들은 관상동맥 영역 경계와 같은 임상적 해부학적 사전 지식을 얼마나 잘 고려하여 분할 결과를 도출하는가?
• RQ4 수동 분할가가 없는 경우 Dice 점수와 정확도 지표는 어떻게 행동하는가? 이는 모델 순위 매기기의 의미에 어떤 영향을 미치는가?
• RQ5 현재 접근법의 주요 한계는 무엇이며, 향후 방법은 어떻게 동시에 영상 정렬과 분할을 통합할 수 있는가?

주요 결과

• 최고 성능을 보인 방법들은 섬유화 분할에 평균 Dice 점수 0.78, 부등 분할에 0.72를 기록하여 강력한 성능를 보였지만, 아직 임상적으로 최적의 성능는 아니었다.
• Dice 점수와 민감도/특이도 간 유의미한 상관관계는 발견되지 않아, 희귀하거나 소규모 병변의 경우 평가 지표의 한계를 시사하였다.
• 수동 분할가가 없는 경우 ACC와 Dice 점수가 신뢰할 수 없음을 발견하여, 더 강인한 평가 지표가 필요함을 강조하였다.
• 15개의 방법 중 어느 것도 관상동맥 영역 해부학적 지식을 고려하지 않았지만, 이는 병변의 혈관 영역을 넘어서 퍼지는 것을 제한하는 데 임상적으로 중요하다.
• 모든 데이터가 사전 정렬되어 있음에도 불구하고 현재 모델들이 영상 이질성에 잘 대응하지 못함을 벤치마크가 드러내어, 종단 간 정렬 및 분할 프레임워크가 필요함을 시사하였다.
• 미래 연구는 딥 러닝을 활용한 통합 정렬 및 분할 기법을 탐색하고, 단축축 및 장축 영상의 다중 시각 영상 정보를 통합하여 국소화 정확도를 향상시켜야 한다.