[논문 리뷰] Simultaneous Left Atrium Anatomy and Scar Segmentations via Deep Learning in Multiview Information with Attention

Guang Yang, Jun Chen외 14명|arXiv (Cornell University)|2020. 02. 02.

Cardiac Valve Diseases and Treatments참고 문헌 42인용 수 4

한 줄 요약

이 논문은 단일 3D 라이트 가돌리니움-강화 심장 MRI 스캔에서 좌심방 해부학적 구조와 좌심방 섬유화 조직을 동시에 분할하는 다시정렬 주의 기반 다중시점 이중작업 딥러닝 모델을 제안한다. 이 방법은 스캔당 0.27초 이내에 높은 정확도(좌심방에 대한 평균 Dice 점수 93%, 섬유화 조직에 대한 87%)를 달성하여 별도의 밝은 혈관 스캔과 정렬 단계가 필요 없게 한다.

ABSTRACT

Three-dimensional late gadolinium enhanced (LGE) cardiac MR (CMR) of left atrial scar in patients with atrial fibrillation (AF) has recently emerged as a promising technique to stratify patients, to guide ablation therapy and to predict treatment success. This requires a segmentation of the high intensity scar tissue and also a segmentation of the left atrium (LA) anatomy, the latter usually being derived from a separate bright-blood acquisition. Performing both segmentations automatically from a single 3D LGE CMR acquisition would eliminate the need for an additional acquisition and avoid subsequent registration issues. In this paper, we propose a joint segmentation method based on multiview two-task (MVTT) recursive attention model working directly on 3D LGE CMR images to segment the LA (and proximal pulmonary veins) and to delineate the scar on the same dataset. Using our MVTT recursive attention model, both the LA anatomy and scar can be segmented accurately (mean Dice score of 93% for the LA anatomy and 87% for the scar segmentations) and efficiently (~0.27 seconds to simultaneously segment the LA anatomy and scars directly from the 3D LGE CMR dataset with 60-68 2D slices). Compared to conventional unsupervised learning and other state-of-the-art deep learning based methods, the proposed MVTT model achieved excellent results, leading to an automatic generation of a patient-specific anatomical model combined with scar segmentation for patients in AF.

연구 동기 및 목표

• 심방세동 환자에서 별도의 밝은 혈관 MRI 촬영을 제거하기 위해 단일 3D 라이트 가돌리니움-강화 심장 MRI(LGE-CMR) 스캔에서 좌심방 해부학적 구조와 섬유화 조직을 동시에 분할할 수 있도록 하는 것.
• 다른 MRI 시퀀스에서 얻은 별도의 해부학적 및 섬유화 조직 분할 결과를 융합할 때 발생하는 정렬 불일치 및 정렬 오류 문제를 해결하는 것.
• 단일 추론 단계에서 복잡한 해부학적 및 병리적 조직 패턴을 동시에 학습할 수 있는 딥러닝 프레임워크를 개발하는 것.
• 좌심방 레이저 치료 계획을 위한 환자 맞춤형 모델링의 효율성과 정확도를 향상시키기 위해 두 분할 작업을 동시에 자동화하는 것.

제안 방법

• 이 방법은 다중 수직 시점에서 3D LGE-CMR 영상을 처리하여 특징 표현을 향상시키는 다중시점 이중작업(MVTT) 재귀 주의 네트워크를 활용한다.
• 네트워크는 3D 볼륨 전역에서 관련된 해부학적 및 섬유화 영역에 집중하기 위해 점진적으로 특징 맵을 개선하는 재귀 주의 메커니즘을 사용한다.
• 모델은 끝에서 끝까지 훈련되어 두 분할 작업을 동시에 수행하도록 설계되어 있다: 좌심방 및 기도정맥 분할, 좌심방 섬유화 조직 분할.
• 공유 인코더 특징과 작업별 전용 헤드를 활용하여 두 분할 작업의 공동 최적화를 가능하게 한다.
• 이 방법은 3D 볼륨당 약 60~68개의 축방향 2D 슬라이스를 처리하여 스캔당 약 0.27초의 런타임으로 실시간 추론이 가능하다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 단일 3D LGE-CMR 스캔에서 좌심방 해부학적 구조와 좌심방 섬유화 조직을 정확하게 분할할 수 있는가?
• RQ2 다중시점 정보와 재귀 주의 기법을 사용할 경우 단일시점 또는 비재귀적 접근에 비해 분할 정확도가 향상되는가?
• RQ3 해부학적 및 섬유화 조직의 공동 분할이 추가적인 밝은 혈관 MRI 촬영과 관련된 정렬 오류를 줄일 수 있는가?
• RQ4 제안된 MVTT 모델은 최신 딥러닝 및 비지도 학습 방법에 비해 Dice 점수와 추론 속도 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 MVTT 모델은 좌심방 해부학적 구조 분할에서 평균 Dice 점수 93%를 기록하여 복잡한 심장 구조를 높은 정확도로 포착함을 보여주었다.
• 모델은 좌심방 섬유화 조직 분할에서 평균 Dice 점수 87%를 달성하여 섬유화 조직을 식별하는 데 강력한 성능을 보였다.
• 이 방법은 각 3D LGE-CMR 데이터셋을 약 0.27초 만에 처리하여 실시간 임상 적용이 가능했다.
• 공동 분할 접근법은 별도의 밝은 혈관 스캔이 필요 없게 하고 기존 워크플로우에서 흔히 발생하는 정렬 오류를 피할 수 있었다.