[논문 리뷰] Segmentation of points of interest during fetal cardiac assesment in the first trimester from color Doppler ultrasound

Ruxandra Stoean, Dominic Gabriel Iliescu외 1명|arXiv (Cornell University)|2019. 09. 26.

Phonocardiography and Auscultation Techniques인용 수 14

한 줄 요약

이 연구는 제르니크 모멘트와 거리 기반 분류를 사용한 전통적 기계학습 접근법을 제안하여 1차 임신부 색채도 도플러 초음파에서 태반 심장의 핵심 시각(V, X 및 평행 빨간 흐름)을 자동으로 감지한다. 작은 데이터셋에도 불구하고 임상적으로 유의미한 프레임을 식별하는 데 높은 정확도를 달성하여 선천성 심장병 조기 걸러내기 위한 지원을 한다.

ABSTRACT

The present paper puts forward an incipient study that uses a traditional segmentation method based on Zernike moments for extracting significant features from frames of fetal echocardiograms from first trimester color Doppler examinations. A distance based approach is then used on the obtained indicators to classify frames of three given categories that should be present in a normal heart condition. The computational tool shows promise in supporting the obstetrician in a rapid recognition of heart views during screening.

연구 동기 및 목표

• 1차 임신부 걸러내기 동안 산부인과 의사가 빠르게 중요한 태반 심장 시각을 식별하는 데 도움이 되는 계산 기반 도구를 개발하기 위해.
• 심장 구조가 아직 발달하지 않아 1차 임신부에서 선천성 심장병(CHD)의 감지율이 낮은 문제를 해결하기 위해.
• 초음파 프레임을 세 가지 임상적으로 중요한 범주로 분류하기 위해: V자형 파란 흐름, X자형 파란 흐름, 평행 빨간 흐름.
• 저자원, 초기 단계의 태반 심장 초음파에서 전통적인 영상 특징(Zernike 모멘트)을 활용한 자동 분할 및 분류의 가능성을 탐색하기 위해.

제안 방법

• 1차 임신부 색채도 도플러 초음파 영상에서 프레임을 추출하고, 이를 파란 흐름(V, X, 기타)과 빨간 흐름(평행, 기타)으로 분류 작업으로 분리하였다.
• 각 색상의 영역을 분리하기 위해 이진 분할을 적용하여 주목적 영역(ROIs)을 추출하였으며, 특징적인 흐름 패턴에 집중하였다.
• 각 분할된 ROI에 대해 25개의 제르니크 모멘트를 계산하고, 영상 치수와 다각형 수를 결합하여 프레임당 28개의 특징 벡터를 구성하였다.
• 제한된 학습 데이터로 인해 거리 기반 분류(최근접 이웃)를 사용하여 테스트 프레임을 세 가지 클래스 중 하나로 할당하였다.
• 일반화 능력을 향상시키기 위해 테스트에 사용된 환자와 다른 환자로부터의 프레임을 학습에 사용하여 데이터 다양성을 확보하였다.
• 미래의 향상 가능성을 위해 형태학적 및 위상적 특징(예: 면적, 둘레, 데라운이 삼각분할)을 유지하였다.

실험 결과

연구 질문

• RQ1 제르니크 모멘트는 1차 임신부 태반 색채도 도플러 초음파 프레임에서 심장 시각 분류를 위한 분류 가능한 특징을 효과적으로 추출할 수 있는가?
• RQ2 제한된 학습 데이터로 거리 기반 분류기가 V, X 및 평행 빨간 흐름 패턴을 얼마나 신뢰성 있게 분류할 수 있는가?
• RQ3 핵심 혈역학적 서명(V, X, 평행 빨간)의 자동 감지를 통해 초음파 검사사의 작업 부담을 줄일 수 있는가?
• RQ4 영상 외관의 변동성과 낮은 대비가 초기 태반 심장초음파에서 전통적 특징 기반 방법의 성능에 어떤 영향을 미치는가?

주요 결과

• 파란 흐름에서 V 및 X 패턴을 식별하는 데 매우 높은 정확도를 달성하였으며, 의료진이 대부분의 감지를 정확하다고 확인하였다.
• 거짓 양성은 주로 '기타' 클래스의 프레임이 V로 잘못 분류되면서 발생하여, 미세한 비특이적 패턴을 구분하는 데 어려움이 있음을 보여주었다.
• 빨간 흐름 분류에서는 평행선 패턴이 대부분 정확하게 감지되었지만, 일부 '기타' 프레임이 평행선으로 잘못 분류된 경우가 있었다.
• 작은 학습 데이터셋(53개 프레임: V 20개, X 12개, 기타 21개)에도 불구하고 유의미한 결과를 도출하여 자원이 부족한 상황에서도 임상 지원의 가능성을 시사하였다.
• 거리 기반 분류기는 제한된 데이터로도 적절히 기능하여 초기 태반 심장 평가에서 특징 기반 자동화의 개념 증명을 보여주었다.
• 이 방법은 초음파 검사사가 수동으로 검토해야 할 관련 없는 프레임의 수를 크게 줄여주며, 수련의의 학습 속도 향상과 걸러내기 효율성 향상에 기여할 수 있다.