[論文レビュー] $ u$-net: Deep Learning for Generalized Biventricular Cardiac Mass and Function Parameters

Hinrich B. Winther, Christian Hundt+5 more|arXiv (Cornell University)|Jun 14, 2017

Cardiac Imaging and Diagnostics参考文献 23被引用数 14

ひとこと要約

本論文は、心筋マヒ画像における左室および右室内膜および外膜の完全自動的で高精度なセグメンテーションを実現する深層学習モデル、ν-netを紹介する。253例の手動セグメンテーション例で学習し、4つのマルチセンター・データセット（1,000例以上）で検証された。ν-netは、クラス内相関係数（ICC）が98％（LV EF）、96％（RV EF）、95％（LV VM）という最先端の性能を達成し、多様なセグメンテーション哲学への柔軟な適応手続きを備えた強力な一般化性能を示している。

ABSTRACT

Background: Cardiac MRI derived biventricular mass and function parameters, such as end-systolic volume (ESV), end-diastolic volume (EDV), ejection fraction (EF), stroke volume (SV), and ventricular mass (VM) are clinically well established. Image segmentation can be challenging and time-consuming, due to the complex anatomy of the human heart. Objectives: This study introduces $ u$-net (/nju:n$\varepsilon$t/) -- a deep learning approach allowing for fully-automated high quality segmentation of right (RV) and left ventricular (LV) endocardium and epicardium for extraction of cardiac function parameters. Methods: A set consisting of 253 manually segmented cases has been used to train a deep neural network. Subsequently, the network has been evaluated on 4 different multicenter data sets with a total of over 1000 cases. Results: For LV EF the intraclass correlation coefficient (ICC) is 98, 95, and 80 % (95 %), and for RV EF 96, and 87 % (80 %) on the respective data sets (human expert ICCs reported in parenthesis). The LV VM ICC is 95, and 94 % (84 %), and the RV VM ICC is 83, and 83 % (54 %). This study proposes a simple adjustment procedure, allowing for the adaptation to distinct segmentation philosophies. $ u$-net exhibits state of-the-art performance in terms of dice coefficient. Conclusions: Biventricular mass and function parameters can be determined reliably in high quality by applying a deep neural network for cardiac MRI segmentation, especially in the anatomically complex right ventricle. Adaption to individual segmentation styles by applying a simple adjustment procedure is viable, allowing for the processing of novel data without time-consuming additional training.

研究の動機と目的

• 心筋マヒ画像における両心室内膜および外膜の完全自動的で高品質なセグメンテーションのための深層学習モデルの開発。
• 心筋症などの多様な画像撮影プロトコル、撮影技術、および患者病理状態における一般化性能の向上。
• 再トレーニングを伴わずに、特に細かい筋線維および乳頭筋の取り扱い方に関する異なるセグメンテーション哲学への適応を可能にすること。
• 最小限の人的介入で臨床的精度の両心室機能および質量パrameter（EF、ESV、EDV、SV、VM）の提供。
• 大規模でマルチセンターの心筋マヒ画像解析にスケーラブルなソリューションを提供し、時間とコストを削減すること。

提案手法

• 単一センターの253例の手動セグメンテーション例を用いて、U-Netに基づく深層ニューラルネットワークを学習した。
• 非線形的データ拡張技術を適用し、トレーニングデータの多様性を人工的に増加させ、一般化性能を向上させた。
• 異なる撮影プロトコルおよび病理状態を有する4つの独立したマルチセンター・データセット（合計1,000例以上）でモデルを評価した。
• 自動セグメンテーションから算出された臨床的パラメータ（EF、ESV、EDV、SV、VM）を、手動ベースラインと比較し、ICC、Diceスコア、Bland-Altman解析を用いて評価した。
• 特定のセグメンテーション哲学（例：細かい筋線維の含む／含まない）に合わせて予測を調整するシンプルなポストプロセッシング手順を導入した。
• 体積計算にはSimpson法を用い、心室質量の算出には固定密度係数（1.05 g/cm³）を適用した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、多様な心筋マヒ画像データセットにおいて、両心室の内膜および外膜の高精度で完全自動のセグメンテーションを達成できるか？
• RQ2 異なる画像撮影プロトコル、スキャナーメーカー、および心筋症などの病理状態において、モデルの一般化性能はどの程度か？
• RQ3 再トレーニングを伴わずに、特に細かい筋線維および乳頭筋の取り扱いに関する異なるセグメンテーション哲学に適応できるか？
• RQ4 専門家による手動セグメンテーションと比較して、モデルの主な臨床的パラメータ（EF、ESV、EDV、SV、VM）推定性能はどの程度か？
• RQ5 大規模でマルチリーダー環境下でも、再トレーニングをほとんど必要とせずに高精度を維持できるか？

主な発見

• ν-netは、独立したマルチセンター・データセットで左室射出分数（LV EF）のクラス内相関係数（ICC）が98％、右室射出分数（RV EF）が96％を達成した。
• 左室心筋質量（VM）のICCは95％、右室VMは83％を示し、質量推定の高い信頼性を示した。
• 左室の内膜、筋線維、外膜セグメンテーションのDice類似係数（DSC）は、それぞれ91.5±4.3％、88.8±2.9％、94.5±2.0％であった。
• 右室では、DSC値は内膜87.7±5.5％（筋線維75.8±5.9％、外膜89.8±3.8％）であり、複雑な右室構造においても高い性能を示した。
• 提案された調整手順により、再トレーニングを伴わず異なるセグメンテーション哲学への正確な適応が可能になり、高い性能を維持した。
• 相関解析では、MICCAI 2009 LVSCデータセットで高いR²値（左室内膜容積：rho = 0.9762、左室質量：rho = 0.9598）を示し、RMSDおよびMAPEは低かった。