[논문 리뷰] Novel Deep Convolution Neural Network Applied to MRI Cardiac Segmentation.

Clément Zotti, Zhiming Luo외 3명|arXiv (Cornell University)|2017. 05. 24.

Radiomics and Machine Learning in Medical Imaging참고 문헌 20인용 수 10

한 줄 요약

이 논문은 완전 자동 3D MRI 심장 분할을 위한 새로운 딥 컨volution 신경망을 제안하며, 좌심실 및 우심실 심실강과 좌심실 심내막을 동시에 분할한다. 형태 사전과 중심질량 회귀를 통합한 최대사후확률 손실을 도입하여 ACDC 데이터셋에서 1볼륨당 0.4초에 평균 Dice 스코어 0.90을 달성한다.

ABSTRACT

In this paper, we propose a fully automatic MRI cardiac segmentation method based on a novel deep convolutional neural network (CNN). As opposed to most cardiac segmentation methods which focus on the left ventricle (and especially the left cavity), our method segments both the left ventricular cavity, the left ventricular epicardium, and the right ventricular cavity. The novelty of our network lies in its maximum a posteriori loss function, which is specifically designed for the cardiac anatomy. Our loss function incorporates the cross-entropy of the predicted labels, the predicted contours, a cardiac shape prior, and an a priori term. Our model also includes a cardiac center-of-mass regression module which allows for an automatic shape prior registration. Also, since our method processes raw MR images without any manual preprocessing and/or image cropping, our CNN learns both high-level features (useful to distinguish the heart from other organs with a similar shape) and low-level features (useful to get accurate segmentation results). Those features are learned with a multi-resolution conv-deconv grid architecture which can be seen as an extension of the U-Net. We trained and tested our model on the ACDC MICCAI'17 challenge dataset of 150 patients whose diastolic and systolic images were manually outlined by 2 medical experts. Results reveal that our method can segment all three regions of a 3D MRI cardiac volume in $0.4$ second with an average Dice index of $0.90$, which is significantly better than state-of-the-art deep learning methods.

연구 동기 및 목표

• 수동 전처리 없이 3D MRI에서 다수의 심장 구조를 완전 자동으로 분할하는 방법을 개발하기 위해.
• 심장 특화 해부학적 사전 지식을 손실 함수에 통합하여 분할 정확도를 향상시키기 위해.
• 다중 해상도 U-Net 유사 아키텍처를 통해 고수준 및 저수준 특징을 종합적으로 학습할 수 있도록 엔드 투 엔드 학습을 가능하게 하기 위해.
• 원시 MR 영상에서 직접 학습함으로써 영상 자르기나 수동 전처리가 필요 없도록 하기 위해.

제안 방법

• 이 방법은 원시 MRI 볼륨으로부터 계층적 특징을 학습하기 위해 U-Net을 영감으로 삼은 다중 해상도 컨벌루션-디컨벌루션 격자 아키텍처를 사용한다.
• 최대사후확률(MAP) 손실 함수는 예측 레이블의 교차 엔트로피, 예측 윤곽선, 심장 형태 사전, 그리고 사전 항목을 통합한다.
• 심장 중심질량 회귀 모듈을 통해 형태 사전을 입력 영상에 자동으로 정렬할 수 있다.
• 네트워크는 원시로 처리되지 않은 MR 영상을 직접 처리하여 전반적인 기관 수준의 특징과 국소 경계 세부 정보를 모두 학습한다.
• 아키텍처는 전문가가 애너테이션한 diastolic 및 systolic 단계를 포함한 150명의 환자로 구성된 ACDC MICCAI'17 데이터셋에서 엔드 투 엔드로 학습된다.
• 모델은 세 영역을 예측하도록 최적화된다: 좌심실 심실강, 좌심실 심내막, 우심실 심실강.

실험 결과

연구 질문

• RQ1 맞춤형 MAP 손실 함수를 가진 딥 컨volution 신경망이 다수의 심장 구조를 동시에 분할 정확도를 향상시킬 수 있는가?
• RQ2 중심질량 회귀를 통한 학습된 형태 사전은 수동 자르기 없이도 분할의 안정성을 향상시키는 데 얼마나 효과적인가?
• RQ3 다중 해상도 U-Net 변종은 전처리 없이 원시 MRI에서 고수준 및 저수준 특징을 얼마나 잘 학습할 수 있는가?
• RQ4 손실 함수에 해부학적 윤곽선과 형태 사전을 통합하면 표준 교차 엔트로피 손실보다 경계 정확도가 향상되는가?
• RQ5 다양한 임상 데이터셋에서 고정밀도 Dice 스코어를 유지하면서도 실시간 추론 속도를 달성할 수 있는가?

주요 결과

• 제안된 방법은 좌심실 심실강, 좌심실 심내막, 우심실 심실강의 모든 세 구조에서 평균 Dice 스코어 0.90을 달성한다.
• 모델은 전체 3D MRI 심장 볼륨을 단 0.4초에 분할하여 실시간 추론 능력을 입증한다.
• 형태 사전과 윤곽선 감시를 통합한 MAP 손실 함수는 표준 교차 엔트로피 손실에 비해 분할 정확도를 크게 향상시킨다.
• ACDC MICCAI'17 벤치마크 데이터셋에서 최신 딥 러닝 기법들을 초월한다.
• 이미지 자르기나 수동 전처리 단계 없이도 환자 간에 잘 일반화된다.