Signed Distance Field based Segmentation and Statistical Shape Modelling of the Left Atrial Appendage

要約

心房細動患者は虚血性脳卒中を起こすリスクが 5 ～ 7 倍高くなります。
このような場合、最も一般的な血栓局在部位は左心耳 (LAA) の内側であり、研究により LAA の形状と虚血性脳卒中リスクとの相関関係が示されています。
これらの研究では形状の手作業による測定と定性的評価が利用されるため、観察者間で大きな差異が生じる傾向があり、それが異なる研究の結論間の矛盾を説明する可能性があります。
我々は、LAAの形態を確実に特徴付け、他の機能パラメータや脳卒中のリスクに関連付けるには、定量的な形状記述子が必要であると主張する。
深層学習手法は、コンピューター断層撮影 (CT) などの高解像度画像から心臓血管構造をセグメント化するために標準的に利用できるようになってきていますが、LAA セグメント化についてテストされた手法はほとんどありません。
さらに、セグメンテーション アルゴリズムの大部分は、統計的形状解析や数値流体モデリングなどのさらなる処理には理想的ではない、滑らかではない 3D モデルを生成します。
この論文では、LAA の画像セグメンテーション、メッシュ モデル作成、および統計的形状モデリングのための完全自動パイプラインを紹介します。
LAA の解剖学的構造は符号付き距離フィールド (SDF) として暗黙的に表され、深層学習を使用して CT 画像から直接回帰されます。
SDF はさらに、LAA 形状を共通のテンプレートに登録し、統計的形状モデル (SSM) を構築するために使用されます。
106 個の自動的にセグメント化された LAA に基づいて構築された SSM は、約 5 つの PCA モードを使用して LAA 形状を定量化できることを明らかにし、いわゆる手羽先形態と非手羽先形態に対応する 2 つの異なる形状クラスターの識別を可能にします。

要約(オリジナル)

Patients with atrial fibrillation have a 5-7 fold increased risk of having an ischemic stroke. In these cases, the most common site of thrombus localization is inside the left atrial appendage (LAA) and studies have shown a correlation between the LAA shape and the risk of ischemic stroke. These studies make use of manual measurement and qualitative assessment of shape and are therefore prone to large inter-observer discrepancies, which may explain the contradictions between the conclusions in different studies. We argue that quantitative shape descriptors are necessary to robustly characterize LAA morphology and relate to other functional parameters and stroke risk. Deep Learning methods are becoming standardly available for segmenting cardiovascular structures from high resolution images such as computed tomography (CT), but only few have been tested for LAA segmentation. Furthermore, the majority of segmentation algorithms produces non-smooth 3D models that are not ideal for further processing, such as statistical shape analysis or computational fluid modelling. In this paper we present a fully automatic pipeline for image segmentation, mesh model creation and statistical shape modelling of the LAA. The LAA anatomy is implicitly represented as a signed distance field (SDF), which is directly regressed from the CT image using Deep Learning. The SDF is further used for registering the LAA shapes to a common template and build a statistical shape model (SSM). Based on 106 automatically segmented LAAs, the built SSM reveals that the LAA shape can be quantified using approximately 5 PCA modes and allows the identification of two distinct shape clusters corresponding to the so-called chicken-wing and non-chicken-wing morphologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google