A Deep Learning-Based and Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis from 3D Echocardiography

要約

3D 経食道心エコー検査 (3DTEE) は、僧帽弁逆流 (MR) の診断に推奨される方法です。
3DTEE は僧帽弁 (MV) の高品質 3D 画像を提供し、逆流弁の解剖学的構造の正確なセグメンテーションと測定を可能にします。
ただし、手動による TEE セグメンテーションは時間がかかり、オペレーター内でばらつきが生じやすく、測定の信頼性に影響します。
これに対処するために、3D 畳み込みニューラル ネットワーク (CNN) を使用して、MV 部分構造 (弁輪、前尖、後尖) をセグメント化し、MV の解剖学的構造を定量化する完全自動パイプラインを開発しました。
マルチデコーダ残差 U-Net アーキテクチャに基づく 3D CNN は、対応するセグメンテーションを持つ 100 枚の 3DTEE 画像で構成されるデータセットでトレーニングおよびテストされました。
パイプライン内では、カスタム アルゴリズムが CNN ベースのセグメンテーションを洗練し、MV モデルを抽出し、そこから解剖学的ランドマークと特徴が定量化されます。
提案された方法の精度は、グラウンド トゥルース セグメンテーションに対して Dice スコアと平均表面距離 (MSD) を使用して評価され、抽出された解剖学的パラメータが半自動商用ソフトウェア TomTec Image Arena と比較されました。
トレーニングされた 3D CNN は、弁輪、前尖、後尖のセグメンテーションを組み合わせた場合、平均 Dice スコア 0.79、MSD 0.47 mm を達成しました。
提案された CNN アーキテクチャは、MV 部分構造セグメンテーションにおいてベースライン残差 U-Net アーキテクチャを上回り、予測された環状セグメンテーションの改良により MSD が 8.36% 改善されました。
TomTec Image Arena で得られた 3D 測定と比較して、環状および弁尖の線形測定値の差は、それぞれ 7.94 mm および 3.67 mm 未満でした。
提案されたパイプラインは商用ソフトウェアよりも高速で、モデリング時間は 12.54 秒、定量化時間は 54.42 秒でした。

要約(オリジナル)

3D transesophageal echocardiography (3DTEE), is the recommended method for diagnosing mitral regurgitation (MR). 3DTEE provides a high-quality 3D image of the mitral valve (MV), allowing for precise segmentation and measurement of the regurgitant valve anatomy. However, manual TEE segmentations are time-consuming and prone to intra-operator variability, affecting the reliability of the measurements. To address this, we developed a fully automated pipeline using a 3D convolutional neural network (CNN) to segment MV substructures (annulus, anterior leaflet, and posterior leaflet) and quantify MV anatomy. The 3D CNN, based on a multi-decoder residual U-Net architecture, was trained and tested on a dataset comprising 100 3DTEE images with corresponding segmentations. Within the pipeline, a custom algorithm refines the CNN-based segmentations and extracts MV models, from which anatomical landmarks and features are quantified. The accuracy of the proposed method was assessed using Dice score and mean surface distance (MSD) against ground truth segmentations, and the extracted anatomical parameters were compared against a semiautomated commercial software TomTec Image Arena. The trained 3D CNN achieved an average Dice score of 0.79 and MSD of 0.47 mm for the combined segmentation of the annulus, anterior and posterior leaflet. The proposed CNN architecture outperformed a baseline residual U-Net architecture in MV substructure segmentation, and the refinement of the predicted annulus segmentation improved MSD by 8.36%. The annular and leaflet linear measurements differed by less than 7.94 mm and 3.67 mm, respectively, compared to the 3D measurements obtained with TomTec Image Arena. The proposed pipeline was faster than the commercial software, with a modeling time of 12.54 s and a quantification time of 54.42 s.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google