[論文レビュー] Atrial Scar Quantification via Multi-scale CNN in the Graph-cuts Framework

Lei Li, Fuping Wu+7 more|arXiv (Cornell University)|Feb 21, 2019

Atrial Fibrillation Management and Outcomes参考文献 27被引用数 8

ひとこと要約

本稿では、グラフカットスフレームワーク内でのマルチスケール畳み込みニューラルネットワーク（MS-CNN）を用いて、遅延ガドリニウム強化MRIにおける左房（LA）線維化の完全自動定量法を提案する。LA内膜面の表面メッシュ上でポテンシャルを学習することにより、高い正確性（0.856 ± 0.033）とDiceスコア（0.702 ± 0.071）を達成し、手動初期化に依存する従来手法を著しく上回る。

ABSTRACT

Late gadolinium enhancement magnetic resonance imaging (LGE MRI) appears to be a promising alternative for scar assessment in patients with atrial fibrillation (AF). Automating the quantification and analysis of atrial scars can be challenging due to the low image quality. In this work, we propose a fully automated method based on the graph-cuts framework, where the potentials of the graph are learned on a surface mesh of the left atrium (LA) using a multi-scale convolutional neural network (MS-CNN). For validation, we have employed fifty-eight images with manual delineations. MS-CNN, which can efficiently incorporate both the local and global texture information of the images, has been shown to evidently improve the segmentation accuracy of the proposed graph-cuts based method. The segmentation could be further improved when the contribution between the t-link and n-link weights of the graph is balanced. The proposed method achieves a mean accuracy of 0.856 +- 0.033 and mean Dice score of 0.702 +- 0.071 for LA scar quantification. Compared with the conventional methods, which are based on the manual delineation of LA for initialization, our method is fully automatic and has demonstrated significantly better Dice score and accuracy (p < 0.01). The method is promising and can be useful in diagnosis and prognosis of AF.

研究の動機と目的

• 低品質なLGE-MRIスキャンにおける自動LA線維化定量の課題に対処すること。
• 従来手法の主要なボトルネックであるLAセグメンテーションの手動初期化に依存しないこと。
• 深層学習によるマルチスケールテクスチャ特徴を活用することでセグメンテーションの正確性を向上させること。
• LA表面メッシュ上でMS-CNNを用いて空間的に適応的なポテンシャルを学習することで、グラフカットスの性能を向上させること。
• 手動による輪郭指定と比較し、既存手法に対する優位性を実証すること。

提案手法

• 左房内膜面を三角メッシュに投影して、線維化領域を表現する。
• 局所的およびグローバルな画像テクスチャに基づき、グラフカットスフレームワークのノードポテンシャルを予測するマルチスケール畳み込みニューラルネットワーク（MS-CNN）を訓練する。
• グラフカットスのエネルギー関数は、tリンク（データ）項とnリンク（滑らかさ）項を統合し、両者の重みはMS-CNNによって学習される。
• MS-CNNは複数スケールでの画像パッチを処理し、線維化領域に関連する階層的テクスチャパターンを捉える。
• 反復的条件モード（ICM）を用いてフレームワークを最適化し、最終的なセグメンテーションを取得する。
• 本手法は完全自動であり、手動による初期化やLAのセグメンテーションを一切不要とする。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールCNNは、低品質なLGE-MRIにおける正確なLA線維化セグメンテーションのための画像テクスチャ特徴を効果的に学習できるか？
• RQ2 MS-CNNが予測するポテンシャルをグラフカットスフレームワークに統合することで、従来手法と比較してセグメンテーション性能が向上するか？
• RQ3 グラフカットスモデルにおけるtリンクとnリンクの重みをバランスさせることで、線維化定量の正確性にどの程度の影響を与えるか？
• RQ4 本手法は、手動初期化に依存する手法と比較して、Diceスコアおよび正確性の面でどの程度優れているか？
• RQ5 臨床的線維化評価における観察者間ばらつきと同等の性能を達成できるか？

主な発見

• 提案手法は、58例の患者スキャンにおいて、平均正確性0.856 ± 0.033および平均Diceスコア0.702 ± 0.071を達成した。
• 手動初期化を要する従来手法と比較して、有意に高いDiceスコアおよび正確性を示した（p < 0.01）。
• グラフポテンシャルの学習にMS-CNNを用いることで、ベースラインのグラフカットスと比較して顕著なセグメンテーション正確性の向上が得られた。
• グラフカットスモデルにおけるtリンクとnリンクの重みのバランス調整により、セグメンテーション性能がさらに向上した。
• 結果は観察者間ばらつき（正確性：0.867、Dice：0.695）と同等であり、臨床的意義を示している。
• 本手法は心房細動の自動診断および予後予測における強力な可能性を示している。