[論文レビュー] Novel Deep Convolution Neural Network Applied to MRI Cardiac Segmentation.

Clément Zotti, Zhiming Luo+3 more|arXiv (Cornell University)|May 24, 2017

Radiomics and Machine Learning in Medical Imaging参考文献 20被引用数 10

ひとこと要約

本論文は、左室および右室の心腔および左室心外膜を同時に分類する完全自動3次元MRI心臓分類のための新規な深層畳み込みニューラルネットワークを提案する。形状事前分布と重心回帰を組み込んだ最大後験確率損失を導入し、ACDCデータセットで1ボリュームあたり0.4秒の高速処理で平均Diceスコア0.90を達成した。

ABSTRACT

In this paper, we propose a fully automatic MRI cardiac segmentation method based on a novel deep convolutional neural network (CNN). As opposed to most cardiac segmentation methods which focus on the left ventricle (and especially the left cavity), our method segments both the left ventricular cavity, the left ventricular epicardium, and the right ventricular cavity. The novelty of our network lies in its maximum a posteriori loss function, which is specifically designed for the cardiac anatomy. Our loss function incorporates the cross-entropy of the predicted labels, the predicted contours, a cardiac shape prior, and an a priori term. Our model also includes a cardiac center-of-mass regression module which allows for an automatic shape prior registration. Also, since our method processes raw MR images without any manual preprocessing and/or image cropping, our CNN learns both high-level features (useful to distinguish the heart from other organs with a similar shape) and low-level features (useful to get accurate segmentation results). Those features are learned with a multi-resolution conv-deconv grid architecture which can be seen as an extension of the U-Net. We trained and tested our model on the ACDC MICCAI'17 challenge dataset of 150 patients whose diastolic and systolic images were manually outlined by 2 medical experts. Results reveal that our method can segment all three regions of a 3D MRI cardiac volume in $0.4$ second with an average Dice index of $0.90$, which is significantly better than state-of-the-art deep learning methods.

研究の動機と目的

• 手動による前処理を伴わず、3次元MRIにおける複数の心臓構造を完全自動で分類する手法の開発。
• 損失関数に心臓特有の解剖学的事前分布を組み込むことで、分類精度の向上。
• マルチスケールU-Netに類似したアーキテクチャにより、高レベルおよび低レベルの特徴をエンドツーエンドで学習可能に。
• 訓練を生MR画像上で行うことで、画像のクロップや手動による前処理の必要性を排除。

提案手法

• 本手法は、U-Netにインspiredされたマルチスケールの畳み込み・デコンボリューショングリッドアーキテクチャを用い、生MRIボリュームから階層的特徴を学習する。
• 最大後験確率（MAP）損失関数は、予測ラベルの交差エントロピー、予測された輪郭、心臓の形状事前分布、および事前分布項を統合する。
• 心臓の重心回帰モジュールにより、形状事前分布を入力画像に自動的に登録可能となる。
• ネットワークは生で前処理されていないMR画像を直接処理し、全身の臓器レベルの特徴と局所的な境界詳細の両方を学習する。
• 本アーキテクチャは、150例の患者のACDC MICCAI'17データセット上でエンドツーエンドに訓練され、専門家がアノテートした収縮期および拡張期の画像が含まれる。
• モデルは3つの領域を予測するように最適化されている：左室心腔、左室心外膜、右室心腔。

実験結果

リサーチクエスチョン

• RQ1 カスタム化されたMAP損失関数を備えた深層CNNは、複数の心臓構造を同時に分類する精度を向上させることができるか？
• RQ2 重心回帰による学習済み形状事前分布は、手動によるクロップなしで分類のロバスト性を向上させるのにどの程度有効か？
• RQ3 マルチスケールU-Netの変種は、前処理なしに生MR画像から高レベルおよび低レベルの特徴をどの程度効果的に学習できるか？
• RQ4 損失関数に解剖学的輪郭と形状事前分布を組み込むことで、標準的な交差エントロピー損失に比べて境界精度が向上するか？
• RQ5 多様な臨床的データセット上で、高Diceスコアを維持しつつ、リアルタイムの推論速度を達成できるか？

主な発見

• 提案手法は、左室心腔、左室心外膜、右室心腔という3つの心臓構造の平均Diceスコアが0.90に達した。
• モデルは1つの3次元MRI心臓ボリュームをわずか0.4秒で分類し、リアルタイム推論能力を示した。
• 形状事前分布と輪郭監視を組み込んだMAP損失関数は、標準的な交差エントロピー損失に比べて顕著に分類精度を向上させた。
• 本手法はACDC MICCAI'17ベンチマークデータセットにおいて、最先端のディープラーニング手法を上回った。
• 画像のクロップや手動による前処理を一切行わず、患者間での一般化性能も良好に維持された。