[논문 리뷰] V-FCNN: Volumetric Fully Convolution Neural Network For Automatic Atrial Segmentation

Nicoló Savioli, Giovanni Montana외 1명|arXiv (Cornell University)|2018. 08. 06.

Cardiac Valve Diseases and Treatments참고 문헌 18인용 수 5

한 줄 요약

이 논문은 후기 가돌리늄 강화 영상에서 한 번의 입력으로 완전 자동으로 심방을 분할하는 데 목적이 있는 3D 전결합 신경망인 V-FCNN를 제안한다. 평균 제곱오차와 딱지 손실을 조합하여 54명의 환자에서 92.5%의 딱지 스코어를 달성하였으며, 기도 정맥 및 판막 평면 부위의 도전적인 환경에도 불구하고 심방 중앙부에서 뛰어난 성능을 보였다.

ABSTRACT

Atrial Fibrillation (AF) is a common electro-physiological cardiac disorder that causes changes in the anatomy of the atria. A better characterization of these changes is desirable for the definition of clinical biomarkers, furthermore, thus there is a need for its fully automatic segmentation from clinical images. In this work, we present an architecture based on 3D-convolution kernels, a Volumetric Fully Convolution Neural Network (V-FCNN), able to segment the entire volume in a one-shot, and consequently integrate the implicit spatial redundancy present in high-resolution images. A loss function based on the mixture of both Mean Square Error (MSE) and Dice Loss (DL) is used, in an attempt to combine the ability to capture the bulk shape as well as the reduction of local errors products by over-segmentation. Results demonstrate a reasonable performance in the middle region of the atria along with the impact of the challenges of capturing the variability of the pulmonary veins or the identification of the valve plane that separates the atria to the ventricle. A final dice of $92.5\%$ in $54$ patients ($4752$ atria test slices in total) is shown.

연구 동기 및 목표

• 3D 후기 가돌리늄 강화 영상에서 왼쪽 및 오른쪽 심방을 분할하기 위한 완전 자동, 한 번의 입력 기반 방법 개발.
• 심방 영상에서 낮은 조직 대비와 높은解부학적 변동성의 문제 해결.
• 체적 컨볼루션을 통한 3D 공간 중복성을 활용하여 분할 정확도 향상.
• 하이브리드 손실 함수를 통해 MSE와 딱지 손실을 조합하여 과다 분할 및 국소 오류 감소.
• 이전 U-Net 스타일 아키텍처에서 볼 수 있었던 스킵 연결을 제거하여 학습을 단순화하고 수렴 속도 향상.

제안 방법

• V-FCNN 아키텍처는 다운샘플링 및 업샘플링 경로에 각각 네 개의 3D 컨볼루션 블록을 포함한 3D 전결합 인코더-디코더 구조를 사용한다.
• 각 블록은 커널 크기 3×3의 3D 컨볼루션을 적용한 후, 파라메트릭 ReLU(PReLU)와 3D 배치 정규화를 거친다.
• 공간 해상도를 유지하고 작은 심방 구조에서의 정보 손실을 방지하기 위해 최대 풀링을 회피한다.
• 하이브리드 손실 함수를 사용한다: $ \text{Loss} = \text{MSE}_{\text{loss}} + \lambda \cdot \text{DICE}_{\text{loss}} $, 이는 전반적인 형태 정확도와 국소 경계 정밀도의 균형을 맞춘다.
• 다운샘플링 경로는 GPU 메모리 제약 조건을 충족시키기 위해 공간 차원을 640×640×88에서 127×127×88로 감소시킨다. 입력 해상도는 원래의 0.625 mm³ 등방성으로부터 감소되었다.
• 모델은 2018년 심방 분할 챌린지의 100개의 3D LGE-MRI 스캔에서 엔드 투 엔드로 학습되었으며, 단일 순방향 전파로 추론이 수행되었다.

실험 결과

연구 질문

• RQ1 스킵 연결 없이도 3D 전결합 네트워크가 강건한 한 번의 입력 기반 심방 분할을 달성할 수 있는가?
• RQ2 MSE와 딱지 손실을 조합한 하이브리드 손실이 단일 손실 접근 방식보다 분할 정확도를 어떻게 향상시키는가?
• RQ3 최대 풀링을 피하는 것이 저대비 심방 구조에서 미세한 해부학적 세부 정보를 얼마나 잘 유지하는가?
• RQ4 기도 정맥 및 심실판막 평면과 같은 도전적인 영역에서 모델의 성능은 어떠한가?
• RQ5 스킵 연결이 없는 단순화된 아키텍처가 더 빠른 학습과 더 낮은 메모리 사용량을 바탕으로 경쟁력 있는 성능을 달성할 수 있는가?

주요 결과

• V-FCNN는 54명의 테스트 환자에서 평균 딱지 스코어 92.5%를 달성하였으며, 총 4752개의 개별 심방 슬라이스가 평가되었다.
• 가장 높은 성능는 중앙 심방 부위에서 관찰되었으며, 딱지 스코어 94.25% (±1.28)를 기록하여 중심 심방 해부학에서 강력한 일반화 능력을 보였다.
• 상단 및 하단 섹션에서는 성능가 낮아졌으며, 각각 딱지 스코어 84.48% (±2.58) 및 76.33% (±7.05)를 기록하였다. 이는 기도 정맥 및 판막 평면 부위의 복잡성 때문이었다.
• 하이브리드 손실 함수는 전반적인 형태 유지도(MSE)와 국소 경계 정확도(Dice)의 균형을 맞추어 과다 분할을 효과적으로 줄이고 수렴을 향상시켰다.
• 스킵 연결의 부재로 인해 학습 속도가 빨라지고 GPU 메모리 사용량이 감소했지만, 미세한 구조에서 약간 낮은 국소 정밀도가 발생하였다.
• 이미지 해상도 감소(640×640×88에서 127×127×88로)에 대해 모델은 강건성을 보였지만, 이는 92.5%의 딱지 스코어 한계에 기여했을 수 있다.