[논문 리뷰] $ u$-net: Deep Learning for Generalized Biventricular Cardiac Mass and Function Parameters

Hinrich B. Winther, Christian Hundt외 5명|arXiv (Cornell University)|2017. 06. 14.

Cardiac Imaging and Diagnostics참고 문헌 23인용 수 14

한 줄 요약

이 논문은 심장 MRI에서 좌·우심실 내피선 및 외피선을 완전 자동으로 고정확도로 분할하는 딥러닝 모델인 ν-net을 소개한다. 단일 기관에서 수작업으로 분할된 253건의 사례로 훈련하고, 네 개의 다기관 데이터셋(1,000건 이상)에서 검증한 결과, ν-net는 상태의 기술을 넘어선 성능을 보이며, 각각 좌심실 심기능률(EF)에 대해 98%, 우심실 심기능률(EF)에 대해 96%, 좌심실 심근질량(VM)에 대해 95%의 상관계수(ICC)를 기록하여 강력한 일반화 능력과 다양한 분할 철학에 대한 단순한 적응 절차를 입증하였다.

ABSTRACT

Background: Cardiac MRI derived biventricular mass and function parameters, such as end-systolic volume (ESV), end-diastolic volume (EDV), ejection fraction (EF), stroke volume (SV), and ventricular mass (VM) are clinically well established. Image segmentation can be challenging and time-consuming, due to the complex anatomy of the human heart. Objectives: This study introduces $ u$-net (/nju:n$\varepsilon$t/) -- a deep learning approach allowing for fully-automated high quality segmentation of right (RV) and left ventricular (LV) endocardium and epicardium for extraction of cardiac function parameters. Methods: A set consisting of 253 manually segmented cases has been used to train a deep neural network. Subsequently, the network has been evaluated on 4 different multicenter data sets with a total of over 1000 cases. Results: For LV EF the intraclass correlation coefficient (ICC) is 98, 95, and 80 % (95 %), and for RV EF 96, and 87 % (80 %) on the respective data sets (human expert ICCs reported in parenthesis). The LV VM ICC is 95, and 94 % (84 %), and the RV VM ICC is 83, and 83 % (54 %). This study proposes a simple adjustment procedure, allowing for the adaptation to distinct segmentation philosophies. $ u$-net exhibits state of-the-art performance in terms of dice coefficient. Conclusions: Biventricular mass and function parameters can be determined reliably in high quality by applying a deep neural network for cardiac MRI segmentation, especially in the anatomically complex right ventricle. Adaption to individual segmentation styles by applying a simple adjustment procedure is viable, allowing for the processing of novel data without time-consuming additional training.

연구 동기 및 목표

• 심장 MRI에서 양심실 내피선 및 외피선을 완전 자동으로 고품질로 분할하기 위한 딥러닝 모델을 개발하기 위해.
• 심장 질환과 같은 다양한 영상 촬영 프로토콜, 촬영 기술 및 환자 병태에 걸쳐 일반화 능력을 향상시키기 위해.
• 재학습 없이도 분할 철학(특히 소엽 및 피부모근의 포함 여부)에 맞게 적응할 수 있도록 하기 위해.
• 최소한의 인간 간섭으로 임상적으로 정확한 양심실 기능 및 질량 파rameters(EF, ESV, EDV, SV, VM)를 제공하기 위해.
• 대규모 다기관 심장 MRI 분석을 위한 확장 가능한 솔루션을 제공하여 시간과 비용을 절감하기 위해.

제안 방법

• 단일 기관에서 확보한 253건의 수작업 분할 심장 MRI 사례를 기반으로 U-Net 기반의 딥 네ural 네트워크를 훈련시켰다.
• 비선형 데이터 증강 기법을 적용하여 훈련 데이터의 다양성을 인위적으로 증가시키고 일반화 능력을 향상시켰다.
• 다양한 촬영 프로토콜과 병태를 포함한 네 개의 독립적인 다기관 데이터셋 총 1,000건 이상에서 모델을 평가하였다.
• 자동 분할에서 유도된 임상 파rameters(EF, ESV, EDV, SV, VM)를 수작업 기준값과 비교하기 위해 ICC, Dice 점수 및 Bland-Altman 분석을 실시하였다.
• 특정 분할 철학(예: 소엽의 포함/배제)에 맞게 예측치를 보정하기 위한 단순한 후처리 조정 절차를 도입하였다.
• 부피 계산에 Simpson의 방법을 사용하고, 심실 질량 계산에 고정된 밀도 요소(1.05 g/cm³)를 적용하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 다양한 심장 MRI 데이터셋에서 좌·우심실 내피선 및 외피선을 고정확도로 완전 자동으로 분할할 수 있는가?
• RQ2 다양한 영상 촬영 프로토콜, 스캐너 제조사 및 심장병과 같은 환자 병태에 걸쳐 모델의 일반화 능력은 어느 정도인가?
• RQ3 재학습 없이도 분할 철학(특히 소엽 및 피부모근의 포함 여부)에 맞게 적응할 수 있는가?
• RQ4 전문가 수작업 분할과 비교해 볼 때 모델의 주요 임상 파rameters(EF, ESV, EDV, SV, VM) 추정 성능은 어떠한가?
• RQ5 재학습이 광범위하게 필요하지 않더라도 다기관, 다독자 환경에서도 높은 정확도를 유지할 수 있는가?

주요 결과

• ν-net는 독립적인 다기관 데이터셋에서 좌심실 심기능률(LV EF)에 대해 98%의 상관계수(ICC), 우심실 심기능률(RV EF)에 대해 96%의 ICC를 기록하였다.
• 좌심실 심근질량(LV VM)에 대해 95%의 ICC, 우심실 심근질량(RV VM)에 대해 83%의 ICC를 기록하여 질량 추정의 높은 신뢰성을 입증하였다.
• 좌심실 내피선, 심장근, 외피선 분할에 대한 Dice 유사도 계수(DSC)는 각각 91.5±4.3%, 88.8±2.9%, 94.5±2.0%였다.
• 우심실의 경우 DSC 값은 내피선 87.7±5.5%(내피선), 심장근 75.8±5.9%(심장근), 외피선 89.8±3.8%(외피선)였으며, 복잡한 우심실에서도 높은 성능을 보였다.
• 제안된 조정 절차를 통해 재학습 없이도 다양한 분할 철학에 정확하게 적응할 수 있었고, 높은 성능가 유지되었다.
• 상관계수 분석에서 MICCAI 2009 LVSC 데이터셋에서 좌심실 내피선 부피에 대해 높은 R² 값(rho = 0.9762)과 낮은 RMSD 및 MAPE를 기록하였다.