Assessment of Deep Learning Segmentation for Real-Time Free-Breathing Cardiac Magnetic Resonance Imaging at Rest and Under Exercise Stress

要約

近年、心臓 MRI (CMR) セグメンテーションのためのさまざまな深層学習ネットワークが開発され、分析されています。
しかし、それらのほぼすべては、息を呑むようなシネCMRに焦点を当てています。
この研究では、安静時および運動負荷下でのリアルタイムの自由呼吸 CMR における左心室の容積分析 (セグメンテーションによる) について、深層学習法の精度が評価されます。
健康なボランティア (n=15) からの、安静時および運動ストレス下でのシネおよびリアルタイム自由呼吸 CMR のデータを遡及的に分析しました。
商用ソフトウェア (comDL) と無料で利用できるニューラル ネットワーク (nnU-Net) のセグメンテーションを、comDL セグメンテーションの手動修正によって作成されたリファレンスと比較しました。
左心室心内膜 (LV)、左心室心筋 (MYO)、および右心室 (RV) のセグメンテーションは、収縮末期と拡張末期の両方について評価され、ダイス係数 (DC) で分析されます。
容積分析には、LV 拡張末期容積 (EDV)、LV 収縮終期容積 (ESV)、および LV 駆出率 (EF) が含まれます。
シネ CMR の場合、nnU-Net と comDL は、LV で 0.95 以上、MYO および RV で 0.9 以上の DC を達成します。
リアルタイム CMR の場合、nnU-Net の精度は全体的に comDL の精度を上回ります。
静止時のリアルタイム CMR の場合、nnU-Net は LV で 0.94、MYO で 0.89、RV で 0.90 の DC を達成します。
nnU-Net とリファレンス間の平均絶対差は、EDV で 2.9 mL、ESV で 3.5 mL、EF で 2.6% です。
運動ストレス下でのリアルタイム CMR の場合、nnU-Net は LV で 0.92、MYO で 0.85、RV で 0.83 の DC を達成します。
nnU-Net とリファレンス間の平均絶対差は、EDV で 11.4 mL、ESV で 2.9 mL、EF で 3.6% です。
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深層学習手法は、リアルタイム CMR で適切に実行できます。
安静時のリアルタイムの自由呼吸 CMR の場合、深層学習手法のパフォーマンスはシネ CMR の観察者間の変動に匹敵し、使用可能または完全自動セグメンテーションです。

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 at rest and under exercise stress 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, Google