[논문 리뷰] Recent Advances in Fibrosis and Scar Segmentation from Cardiac MRI: A State-of-the-Art Review and Future Perspectives

Yinzhe Wu, Zeyu Tang외 3명|arXiv (Cornell University)|2021. 06. 28.

Advanced MRI Techniques and Applications참고 문헌 152인용 수 5

한 줄 요약

이 논문은 늦은 가돌리니움 강화(LGE) 심장 MRI에서 심장 섬유화 및 상처 조직의 자동 분할을 위한 최신 기법들을 종합적으로 검토하며, 다중 모odal 영상(e.g., bSSFP 및 시네 MRI)과 딥 러닝 기법을 통합한다. 정확도 및 효율성 향상에 기여하는 바를 강조하며, 특히 전통적 방법을 능가하는 딥 러닝 기반 접근법이 진단 및 치료 계획 수립에 임상적 지침을 제공한다.

ABSTRACT

Segmentation of cardiac fibrosis and scar are essential for clinical diagnosis and can provide invaluable guidance for the treatment of cardiac diseases. Late Gadolinium enhancement (LGE) cardiovascular magnetic resonance (CMR) has been successful for its efficacy in guiding the clinical diagnosis and treatment reliably. For LGE CMR, many methods have demonstrated success in accurately segmenting scarring regions. Co-registration with other non-contrast-agent (non-CA) modalities, balanced steady-state free precession (bSSFP) and cine magnetic resonance imaging (MRI) for example, can further enhance the efficacy of automated segmentation of cardiac anatomies. Many conventional methods have been proposed to provide automated or semi-automated segmentation of scars. With the development of deep learning in recent years, we can also see more advanced methods that are more efficient in providing more accurate segmentations. This paper conducts a state-of-the-art review of conventional and current state-of-the-art approaches utilising different modalities for accurate cardiac fibrosis and scar segmentation.

연구 동기 및 목표

• LGE-CMR에서의 자동 심장 섬유화 및 상처 분할 분야에서 최근의 진전을 평가하고 통합한다.
• 정확도, 강건성, 임상 적용 가능성 측면에서 전통적 방법과 딥 러닝 기반 분할 기법을 비교한다.
• bSSFP, 시네 MRI 등 다중 모달 MRI의 역할이 분할 성능 향상에 기여하는 방식을 탐색한다.
• 현재 기법의 한계를 규명하고 임상 적용을 위한 향후 연구 방향을 제안한다.
• 분야 내 메서드, 데이터셋, 평가 지표에 대한 체계적인 개요를 제공한다.

제안 방법

• LGE-CMR에서 심장 섬유화 및 상처 분할에 관한 150篇 이상의 연구를 체계적으로 검토한다.
• 기존 방법(e.g., 임계값 설정, 영역 확장, 레벨셋)과 딥 러닝 기반 접근법(e.g., U-Net, 3D CNNs, 주의 메커니즘)으로 기법을 분류한다.
• 해부학적 맥락 향상과 분할 정확도 향상을 위해 비대조 MRI 모odal리티(bSSFP, 시네 MRI)를 통합한다.
• Dice 유사도 계수(DSC), 민감도, 특이도, Hausdorff 거리와 같은 표준 지표를 사용해 성능 평가를 수행한다.
• 데이터셋 특성, 주석 프로토콜, 다양한 환자 집단에 대한 일반화 능력 분석을 수행한다.
• 딥 러닝 프레임워크 내에서 모델 아키텍처, 데이터 증강, 손실 함수의 추세를 규명한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 분할 기법은 심장 상처 탐지에서 정확도 및 강건성 측면에서 전통적 방법에 비해 어떻게 비교되는가?
• RQ2 bSSFP 등 비대조 MRI 시퀀스와의 공통 등록(co-registration)은 분할 성능 향상에 어느 정도 기여하는가?
• RQ3 다양한 임상 환자 집단과 스캐너 플랫폼 간에 자동 분할 모델의 일반화에 직면한 주요 과제는 무엇인가?
• RQ4 다양한 손실 함수와 네트워크 아키텍처는 섬유화 및 상처 탐지에서 분할 결과에 어떤 영향을 미치는가?
• RQ5 자동 섬유화 및 상처 분할 도구의 임상 적용을 위한 가장 유망한 향후 방향은 무엇인가?

주요 결과

• 딥 러닝 기반 기법, 특히 주의 메커니즘을 통합한 U-Net 변종은 전통적 방법을 일관되게 능가하며, 여러 벤치마크 연구에서 평균 DSC가 0.85 이상을 기록한다.
• bSSFP 및 시네 MRI와의 공통 등록은 해부학적 맥락 제공과 가짜 양성 반응 감소로 인해 분할 정확도를 크게 향상시킨다.
• 다중 모달 접근법은 이미지 잡음 및 저대비 상처에 대해 더 강건한 성능을 보이며, 특히 광범위한 섬유화를 가진 환자에서 유의미한 개선 효과가 있다.
• 진전에도 불구하고, 다양한 MRI 스캐너와 자기장 강도 간의 일반화 문제는 여전히 핵심 과제이며, 외부 데이터셋에서 성능 저하가 심각하게 나타난다.
• 현재 최신 기술 모델은 높은 민감도(>90%)를 보이지만 특이도는 변동성이 크며, 작은 또는 저강도 상처 영역을 과다 분할하는 경향이 있다.
• 이 리뷰는 표준화된 평가 프로토콜과 공개 벤치마크 데이터셋의 부족을 임상적 도입 및 기법 비교의 주요 장벽으로 지적한다.