Joint Deep Learning for Improved Myocardial Scar Detection from Cardiac MRI

要約

後期ガドリニウム増強心臓磁気共鳴画像 (LGE-CMR) からの心筋瘢痕の自動識別は、動きや部分体積効果に関連する画像ノイズやアーティファクトによって制限されます。
この論文では、同時に学習された心筋セグメンテーションを利用して、関心領域以外の領域からの悪影響を排除することにより、このようなタスクを改善する新しい共同ディープラーニング (JDL) フレームワークを提示します。
瘢痕検出と心筋セグメンテーションを個別または並行タスクとして扱う以前のアプローチとは対照的に、提案された方法は、心筋セグメンテーションの情報が瘢痕検出器をガイドするために直接渡されるメッセージパッシングモジュールを導入します。
この新しく設計されたネットワークは、2 つの関連するタスクからの共同情報を効率的に活用し、利用可能な心筋セグメンテーションのすべてのソースを使用して、瘢痕の識別に役立ちます。
自動化された左心室 (LV) 瘢痕検出のための LGE-CMR 画像に対する JDL の有効性を実証し、虚血性心疾患と非虚血性心疾患の両方の患者のリスク予測を改善し、心臓再同期療法 (CRT) に対する反応率を改善する大きな可能性を秘めています。
) 心不全患者向け。
実験結果は、提案されたアプローチが、一般的に使用される2段階のセグメンテーション分類ネットワークや、サブタスクが間接的に相互作用するマルチタスク学習スキームなど、複数の最先端の方法よりも優れていることを示しています。

要約(オリジナル)

Automated identification of myocardial scar from late gadolinium enhancement cardiac magnetic resonance images (LGE-CMR) is limited by image noise and artifacts such as those related to motion and partial volume effect. This paper presents a novel joint deep learning (JDL) framework that improves such tasks by utilizing simultaneously learned myocardium segmentations to eliminate negative effects from non-region-of-interest areas. In contrast to previous approaches treating scar detection and myocardium segmentation as separate or parallel tasks, our proposed method introduces a message passing module where the information of myocardium segmentation is directly passed to guide scar detectors. This newly designed network will efficiently exploit joint information from the two related tasks and use all available sources of myocardium segmentation to benefit scar identification. We demonstrate the effectiveness of JDL on LGE-CMR images for automated left ventricular (LV) scar detection, with great potential to improve risk prediction in patients with both ischemic and non-ischemic heart disease and to improve response rates to cardiac resynchronization therapy (CRT) for heart failure patients. Experimental results show that our proposed approach outperforms multiple state-of-the-art methods, including commonly used two-step segmentation-classification networks, and multitask learning schemes where subtasks are indirectly interacted.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google