Error correcting 2D-3D cascaded network for myocardial infarct scar segmentation on late gadolinium enhancement cardiac magnetic resonance images

要約

遅発ガドリニウム増強（LGE）心臓磁気共鳴（CMR）イメージングは​​、ST上昇型心筋梗塞（STEMI）患者の梗塞サイズ（IS）および微小血管閉塞（MVO）を評価するためのin vivo参照標準と考えられています。
しかし、心筋梗塞の重症度を示すこれらのマーカーを正確に定量化することは依然として困難であり、非常に時間がかかります。
LGE の分布パターンは非常に複雑で、血液プールや心外膜脂肪からの輪郭を描くのが難しいため、LGE CMR 画像の自動セグメンテーションは困難です。
この研究では、完全に自動化された方法で心筋梗塞の程度を計算できる 2 次元および 3 次元の畳み込みニューラル ネットワーク (CNN) のカスケード フレームワークを提案します。
カスケード フレームワークのトレーニング中に 2D CNN に特徴的なセグメンテーション エラーを人為的に生成することで、2D セグメンテーション エラーの検出と修正が強化され、メソッド全体のセグメンテーション精度が向上します。
提案された方法は、EMIDEC チャレンジからのトレーニング データセットを使用して 5 分割相互検証でトレーニングおよび評価されました。
当社では、当社のフレームワークが EMIDEC チャレンジの最先端の手法や 2D および 3D nnU-Net よりも優れた比較実験を行っています。
さらに、広範なアブレーション研究で、提案されたエラー修正カスケード方式に伴う利点を示しています。

要約(オリジナル)

Late gadolinium enhancement (LGE) cardiac magnetic resonance (CMR) imaging is considered the in vivo reference standard for assessing infarct size (IS) and microvascular obstruction (MVO) in ST-elevation myocardial infarction (STEMI) patients. However, the exact quantification of those markers of myocardial infarct severity remains challenging and very time-consuming. As LGE distribution patterns can be quite complex and hard to delineate from the blood pool or epicardial fat, automatic segmentation of LGE CMR images is challenging. In this work, we propose a cascaded framework of two-dimensional and three-dimensional convolutional neural networks (CNNs) which enables to calculate the extent of myocardial infarction in a fully automated way. By artificially generating segmentation errors which are characteristic for 2D CNNs during training of the cascaded framework we are enforcing the detection and correction of 2D segmentation errors and hence improve the segmentation accuracy of the entire method. The proposed method was trained and evaluated in a five-fold cross validation using the training dataset from the EMIDEC challenge. We perform comparative experiments where our framework outperforms state-of-the-art methods of the EMIDEC challenge, as well as 2D and 3D nnU-Net. Furthermore, in extensive ablation studies we show the advantages that come with the proposed error correcting cascaded method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google