[논문 리뷰] Towards Robust Cardiac Segmentation using Graph Convolutional Networks

Gilles Van De Vyver, Sarina Thomas외 5명|arXiv (Cornell University)|2023. 10. 02.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

이 논문은 해부학적으로 부적절한 분할을 방지하기 위해 해부학적 윤곽을 그래프로 예측하는 그래프 컨volution 네트워크(GCN)를 제안한다. GCN를 U-Net과 결합하고, 모델 간 일치도를 실시간 불확실성 예측기로 사용함으로써, 분포 외 또는 저품질 이미지를 높은 정확도로 탐지하여 표준 U-Net 성능을 뛰어난 임상적 내성으로 향상시킨다.

ABSTRACT

Fully automatic cardiac segmentation can be a fast and reproducible method to extract clinical measurements from an echocardiography examination. The U-Net architecture is the current state-of-the-art deep learning architecture for medical segmentation and can segment cardiac structures in real-time with average errors comparable to inter-observer variability. However, this architecture still generates large outliers that are often anatomically incorrect. This work uses the concept of graph convolutional neural networks that predict the contour points of the structures of interest instead of labeling each pixel. We propose a graph architecture that uses two convolutional rings based on cardiac anatomy and show that this eliminates anatomical incorrect multi-structure segmentations on the publicly available CAMUS dataset. Additionally, this work contributes with an ablation study on the graph convolutional architecture and an evaluation of clinical measurements on the clinical HUNT4 dataset. Finally, we propose to use the inter-model agreement of the U-Net and the graph network as a predictor of both the input and segmentation quality. We show this predictor can detect out-of-distribution and unsuitable input images in real-time. Source code is available online: https://github.com/gillesvntnu/GCN_multistructure

연구 동기 및 목표

• U-Net 기반 심장 초음파 분할에서 해부학적으로 부적절한 분할이라는 근본적인 문제를 해결하기 위해.
• 좌심실 내피막, 심외막 및 좌심방을 동시에 분할하는 다중 구조 그래프 컨볼루션 네트워크를 개발하기 위해.
• 다중 구조 출력에서 해부학적 타당성을 강제하는 임상적으로 유도된 그래프 정규화(이동 방법)를 도입하기 위해.
• U-Net과 GCN 간의 모델 간 일치도를 실시간 입력 품질 및 분할 신뢰도 예측기로 평가하기 위해.
• HUNT4를 포함한 임상 데이터셋에서 방법을 검증하여 실제 적용 가능성 확보하기 위해.

제안 방법

• GCN는 노드가 샘플링된 윤곽 점을 나타내는 그래프로 심장 윤곽을 모델링하며, 그래프 컨볼루션 인코더-디코더 아키텍처를 사용한다.
• 심장 해부학에 기반하여 이웃 노드에 대한 상대 위치 제약을 통해 노드 위치를 제약함으로써 해부학적 일관성을 강제하는 이동 기반 정규화가 적용된다.
• 내피막 및 심외막 윤곽의 공간적 관계를 모델링하기 위해 디코더에서 두 개의 컨볼루션 링을 사용하여 다중 구조 일반화를 향상시킨다.
• GCN와 U-Net 간의 모델 간 일치도는 실시간으로 입력 품질과 분할 신뢰도를 탐지하기 위한 신뢰도 점수로 계산된다.
• 분할 정확도 평가에는 CAMUS 데이터셋을, 임상 측정 신뢰도 평가에는 HUNT4 데이터셋을 사용한다.
• FAST 프레임워크를 사용하여 실시간 데모 애플리케이션을 구축하여 임상 스캔 환경에서 분할 출력과 모델 간 일치도 상태를 시각화한다.

실험 결과

연구 질문

• RQ1 다중 구조 심장 분할에 효과적으로 확장될 수 있는 그래프 컨볼루션 네트워크는 해부학적 정확성을 유지할 수 있는가?
• RQ2 제안된 이동 정규화는 표준 U-Net 및 기준 GCN 접근 방식에 비해 해부학적으로 부적절한 분할을 유의미하게 감소시키는가?
• RQ3 U-Net과 GCN 간의 모델 간 일치도는 입력 이미지 품질 및 분할 신뢰도에 대한 신뢰할 수 있는 실시간 지표로 기능하는가?
• RQ4 심장 측정 정확도, 특히 심실 출구율(EF) 추정에서, GCN의 성능은 최신 U-Net 변종과 비교해 어떻게 되는가?
• RQ5 모델 간 일치도가 품질이 낮거나 분포 외 케이스를 걸러내면서 EF 측정의 일치 범위를 얼마나 향상시키는가?

주요 결과

• 제안된 GCN에 이동 정규화를 적용한 결과, CAMUS 데이터셋에서 해부학적으로 부적절한 다중 구조 분할이 완전히 제거되어 예측의 100% 해부학적 타당성을 달성했다.
• U-Net과 GCN 간의 모델 간 일치도는 100개의 고품질, 정확한 A4C/A2C 케이스 중 93개를 높은 일치도로 탐지했으며, 저일치도 케이스 중 정확한 뷰를 가진 경우는 15개에 불과했다.
• 저일치도 케이스 중 55개는 일반적으로 실무에서 사용되지만 훈련 데이터에 포함되지 않은 심첨 장축(AlAX) 뷰 또는 변형 뷰로 확인되어 분포 외 입력을 강력하게 탐지함을 시사했다.
• 저모델 간 일치도 케이스를 제외할 경우, 모든 모델에서 EF 측정의 일치 범위가 유의미하게 향상되었으며, 특히 nnU-Net에서 가장 좁은 일치 범위를 보였다.
• 실시간 데모 애플리케이션은 분할 출력과 일치도 상태를 성공적으로 시각화하여 임상 통합의 실현 가능성을 입증했다.
• 제거 분석 결과, GCN 디코더 아키텍처의 변형이 성능에 미치는 영향은 미미했으며, 이는 인코더가 모델 성능의 주요 기여 요소임을 시사한다.