[論文レビュー] MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images

Lei Li, Fuping Wu+30 more|arXiv (Cornell University)|Jan 10, 2022

Cardiac Imaging and Diagnostics被引用数 10

ひとこと要約

本論文は、三シーケンス心筋MRI（bSSFP、LGE、T2強調）を用いた心筋線維化および浮腫の同時セグメンテーションのためのベンチマーク、MyoPSを紹介する。事前にアラインメントされた画像を統合することで診断精度を向上させる。15の手法について前処理、データ拡張、学習戦略、モデルアーキテクチャ、後処理の各分野を評価し、性能は有望であるものの、臨床統合には解剖的制約やマルチビュー画像処理のより良い取り扱いが求められることを明らかにした。

ABSTRACT

Assessment of myocardial viability is essential in diagnosis and treatment management of patients suffering from myocardial infarction, and classification of pathology on myocardium is the key to this assessment. This work defines a new task of medical image analysis, i.e., to perform myocardial pathology segmentation (MyoPS) combining three-sequence cardiac magnetic resonance (CMR) images, which was first proposed in the MyoPS challenge, in conjunction with MICCAI 2020. The challenge provided 45 paired and pre-aligned CMR images, allowing algorithms to combine the complementary information from the three CMR sequences for pathology segmentation. In this article, we provide details of the challenge, survey the works from fifteen participants and interpret their methods according to five aspects, i.e., preprocessing, data augmentation, learning strategy, model architecture and post-processing. In addition, we analyze the results with respect to different factors, in order to examine the key obstacles and explore potential of solutions, as well as to provide a benchmark for future research. We conclude that while promising results have been reported, the research is still in the early stage, and more in-depth exploration is needed before a successful application to the clinics. Note that MyoPS data and evaluation tool continue to be publicly available upon registration via its homepage (www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/).

研究の動機と目的

• 三シーケンス心筋MRI（bSSFP、LGE、T2強調）を用いた心筋線維化および浮腫の同時セグメンテーションのための標準化されたベンチマークを確立すること。
• MyoPSチャレンジに提出された15のディープラーニング手法の性能と手法的設計を評価・比較すること。
• 強度の不均一性、形状の多様性、画像のずれといった要因を含む、マルチシーケンスCMR統合における主な課題を特定すること。
• 冠動脈領域の解剖学的知識といった臨床的事前知識と、現在のディープラーニング手法との間のギャップを浮き彫りにすること。
• 今後の研究を支援するため、公開可能なデータと評価ツールを提供すること。

提案手法

• ベンチマークは、同一被験者から得られた45例の事前にアラインメント済みの三シーケンスCMRスキャン（bSSFP、LGE、T2強調）を用いる。
• 標準的なセグメンテーション指標（Diceスコア、感度、特異度、正答率）を用いて評価し、手動セグメンテーションがゼロのケースに特に注意を払った。
• 前処理、データ拡張、学習戦略、モデルアーキテクチャ、後処理の5つの次元にわたる包括的なメソドロジー調査を実施した。
• 異なる画像シーケンスおよびセグメンテーションタイプ（線維化対浮腫）におけるモデル性能を分析し、アルゴリズム設計と性能のトレンドを同定した。
• 18セグメントモデルや冠動脈領域境界といった解剖的事前知識は、セグメンテーションの妥当性を高めるための制約として議論された。
• 評価フレームワークは継続的なベンチマークを可能にし、登録後にデータを入手可能とするレジストレーションおよびセグメンテーション評価用ツールを含む。

実験結果

リサーチクエスチョン

• RQ1 マルチシーケンスCMR画像から線維化および浮腫をセグメンテーションする際、異なるディープラーニングアーキテクチャおよび学習戦略は、どのように性能を発揮するか？
• RQ2 データ拡張および前処理は、異種の画像強度および病変に対してセグメンテーションのロバスト性を向上させる上で、どのような役割を果たすか？
• RQ3 現在の手法は、冠動脈領域境界といった臨床的解剖学的事前知識を、どの程度そのセグメンテーション出力に組み込んでいるか？
• RQ4 手動セグメンテーションがゼロのケースにおいて、Diceスコアや正答率といった評価指標はどのように振る舞い、モデルランク付けにどのような影響を及えるか？
• RQ5 現在のアプローチにおける主な制限要因は何か。今後の手法は、画像レジストレーションとセグメンテーションを同時に統合するには、どのように改善すべきか？

主な発見

• 最高性能を示した手法は、線維化セグメンテーションで平均Diceスコア0.78、浮腫セグメンテーションで0.72を達成し、優れた性能を示したが、臨床的に最適な水準までは至っていないことが判明した。
• Diceスコアと感度／特異度の間に有意な相関は認められず、稀な病変や小規模病変のケースにおける評価指標の限界を示唆した。
• 手動セグメンテーションが存在しないケースにおいて、ACCとDiceスコアが信頼性に欠けることが判明し、よりロバストな評価指標の必要性が浮き彫りになった。
• 15の手法すべてが、病変の血管領域に沿った拡散を制限するという臨床的意義の高い冠動脈領域の解剖学的構造を考慮に入れていないことが判明した。
• すべてのデータが事前にアラインメント済みであったため、現在のモデルが画像のずれをうまく処理できないことがベンチマークで明らかになった。これは、エンドツーエンドのレジストレーションとセグメンテーションフレームワークの開発が求められることを示唆した。
• 今後の研究では、ディープラーニングを用いた統合的レジストレーションとセグメンテーションの検討、および短軸および長軸のマルチビューCMRの統合による局在性および正確性の向上が重要である。