Assessment of Deep Learning Segmentation for Real-Time Free-Breathing Cardiac Magnetic Resonance Imaging

要約

近年、心臓MRI（CMR）セグメンテーションのための様々なディープラーニングネットワークが開発・解析されている。しかし、そのほぼすべてが、息止め下のシネCMRに焦点を当てている。本研究では、安静時および運動負荷時のリアルタイム自由呼吸CMRにおける左心室の容積解析（セグメンテーションによる）に対するディープラーニング手法の精度を評価する。健常ボランティア（n=15）のシネおよびリアルタイム自由呼吸CMRのデータをレトロスペクティブに解析した。市販ソフト（comDL）とフリーで入手可能なニューラルネットワーク（nnU-Net）のセグメンテーションを、comDLのセグメンテーションを手動で補正して作成したリファレンスと比較した。左室心内膜(LV)、左室心筋(MYO)、右室(RV)のセグメンテーションを収縮末期と拡張末期の両方について評価し、ダイス係数(DC)を用いて解析した。容積分析にはLV拡張末期容積（EDV）、LV収縮末期容積（ESV）、LV駆出率（EF）が含まれる。シネCMRでは、nnU-NetとcomDLは、LVで0.95以上、MYOとRVで0.9以上のDCを達成している。リアルタイムCMRでは、nnU-Netの精度がcomDLの精度を総合的に上回った。安静時のリアルタイムCMRでは、nnU-NetはLVで0.94、MYOで0.89、RVで0.90のDCを達成した。nnU-Netとリファレンスとの平均絶対差は、EDVで2.9mL、ESVで3.5mL、EFで2.6％であった。運動負荷下のリアルタイムCMRでは、nnU-Netは、LVで0.92、MYOで0.85、RVで0.83のDCを達成した。nnU-Netとリファレンスの平均絶対差は、EDVで11.4mL、ESVで2.9mL、EFで3.6％であった。シネCMRセグメンテーション用に設計またはトレーニングされたディープラーニング手法は、リアルタイムCMRで良好な性能を発揮できる。安静時のリアルタイムの自由呼吸CMRでは、ディープラーニング法の性能はシネCMRの観察者間変動に匹敵し、完全自動セグメンテーションが可能である。

要約(オリジナル)

In recent years, a variety of deep learning networks for cardiac MRI (CMR) segmentation have been developed and analyzed. However, nearly all of them are focused on cine CMR under breathold. In this work, accuracy of deep learning methods is assessed for volumetric analysis (via segmentation) of the left ventricle in real-time free-breathing CMR at rest and under exercise stress. Data from healthy volunteers (n=15) for cine and real-time free-breathing CMR were analyzed retrospectively. Segmentations of a commercial software (comDL) and a freely available neural network (nnU-Net), were compared to a reference created via the manual correction of comDL segmentation. Segmentation of left ventricular endocardium (LV), left ventricular myocardium (MYO), and right ventricle (RV) is evaluated for both end-systolic and end-diastolic phases and analyzed with Dice’s coefficient (DC). The volumetric analysis includes LV end-diastolic volume (EDV), LV end-systolic volume (ESV), and LV ejection fraction (EF). For cine CMR, nnU-Net and comDL achieve a DC above 0.95 for LV and 0.9 for MYO, and RV. For real-time CMR, the accuracy of nnU-Net exceeds that of comDL overall. For real-time CMR at rest, nnU-Net achieves a DC of 0.94 for LV, 0.89 for MYO, and 0.90 for RV; mean absolute differences between nnU-Net and reference are 2.9mL for EDV, 3.5mL for ESV and 2.6% for EF. For real-time CMR under exercise stress, nnU-Net achieves a DC of 0.92 for LV, 0.85 for MYO, and 0.83 for RV; mean absolute differences between nnU-Net and reference are 11.4mL for EDV, 2.9mL for ESV and 3.6% for EF. Deep learning methods designed or trained for cine CMR segmentation can perform well on real-time CMR. For real-time free-breathing CMR at rest, the performance of deep learning methods is comparable to inter-observer variability in cine CMR and is usable or fully automatic segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL