[논문 리뷰] Unsupervised shape and motion analysis of 3822 cardiac 4D MRIs of UK Biobank

Qiao Zheng, Hervé Delingette외 3명|arXiv (Cornell University)|2019. 02. 15.

Radiomics and Machine Learning in Medical Imaging참고 문헌 33인용 수 4

한 줄 요약

이 연구는 영국 생물은행의 3,822건의 심장 4D MRI에서 딥러닝 기반의 형태 및 운동 특징을 사용하여 비지도 군집화 접근법을 제안한다. 특징 선택 후 가우시안 혼합 모델링을 적용하여 병리학적 심장 표현형을 나타낼 가능성이 있는 두 개의 명확한 군집이 도출되었으며, 분류 모델 및 차원 축소를 통한 검증을 통해 대규모 레이블이 없는 의료 영상 데이터셋에서의 비지도 분석의 잠재력을 입증한다.

ABSTRACT

We perform unsupervised analysis of image-derived shape and motion features extracted from 3822 cardiac 4D MRIs of the UK Biobank. First, with a feature extraction method previously published based on deep learning models, we extract from each case 9 feature values characterizing both the cardiac shape and motion. Second, a feature selection is performed to remove highly correlated feature pairs. Third, clustering is carried out using a Gaussian mixture model on the selected features. After analysis, we identify two small clusters which probably correspond to two pathological categories. Further confirmation using a trained classification model and dimensionality reduction tools is carried out to support this discovery. Moreover, we examine the differences between the other large clusters and compare our measures with the ground-truth.

연구 동기 및 목표

• 영국 생물은행에서 확보한 대규모 레이블이 없는 심장 MRI 데이터셋에 대한 비지도 분석을 수행하기 위해.
• 전문가가 레이블링한 데이터에 의존하지 않고 잠재적인 병리학적 하위 유형을 식별하기 위해.
• 이미지에서 유도된 특징로부터 비정상 심장 표현형을 탐지하기 위한 군집화의 효과성을 평가하기 위해.
• 분류 모델 및 차원 축소와 같은 추가적인 기계학습 도구를 활용하여 발견된 군집을 검증하기 위해.
• 대규모 의료 영상 데이터에서 비지도 학습을 통한 심장 병변 탐지의 가능성을 입증하기 위해.

제안 방법

• 이전에 발표된 딥러닝 기반 특징 추출 파이프라인을 사용하여 각 케이스에서 9개의 형태 및 운동 특징을 추출하였다.
• 높은 상관관계를 보이는 특징 쌍을 제거하기 위해 특징 선택을 수행하여 군집화의 안정성을 향상시켰다.
• 선택된 특징을 바탕으로 감독 없이 가우시안 혼합 모델링(GMM)을 적용하여 케이스를 군집화하였다.
• 병리학적 가능성도를 평가하기 위해 훈련된 분류 모델을 사용하여 군집의 해석을 검증하였다.
• 군집 간 분리 및 구조를 확인하기 위해 주성분 분석(PCA)과 t-distributed 확률적 근접성(t-SNE)과 같은 차원 축소 기법을 활용하였다.
• 자동 파이프라인에서 유도된 측정치를 기준값인 InlineVF 알고리즘의 결과와 비교하여 신뢰성 평가 및 이방성 원인 규명을 수행하였다.

실험 결과

연구 질문

• RQ1 이미지에서 유도된 형태 및 운동 특징의 비지도 군집화가 대규모 레이블이 없는 심장 MRI 데이터셋에서 병리학적 하위 유형을 탐지할 수 있는가?
• RQ2 식별된 군집이 임상적으로 의미 있는 심장 병변과 대응하는가?
• RQ3 특징 기반 군집화 결과는 기준값인 심출력 및 부피 측정치와 어떻게 비교되는가?
• RQ4 차원 축소 및 분류 모델은 군집의 병리학적 해석을 어느 정도 뒷받침하는가?
• RQ5 자동 파이프라인 추정치와 기준값 간의 격리 원인은 데이터 품질 문제 때문인가?

주요 결과

• 훈련된 분류기와의 검증을 통해 두 개의 작은 군집이 병리학적 심장 유형에 해당할 가능성이 높게 확인되었다.
• t-SNE 및 PCA 시각화 결과, 이 두 군집이 더 큰, 아마도 건강한 군집과 명확하게 분리되어 있음을 확인하였다.
• 자동 파이프라인의 심실 내부 부피(LVC volume) 추정치는 끝 diastole 시점에서 기준값 대비 평균 7.0% 낮았고, 끝 systole 시점에서는 40.8% 낮았다.
• 강력한 선형 회귀 분석을 통해 자동 파이프라인과 기준값 측정치 사이에 높은 일치도를 보였으며, 회귀선이 정규선과 매우 가까이 일치하였다.
• 기준값 데이터의 이방성 원인으로, InlineVF 알고리즘의 실패로 인한 오류로 보이는 데이터가 자동 추정치와 기준값 간의 격리의 주요 원인으로 규명되었다.
• 본 연구는 대규모 레이블이 없는 데이터셋에서 비지도 학습을 적용함으로써 전문가 레이블 없이도 임상적으로 의미 있는 하위 유형을 탐지할 수 있음을 입증하였다.