深層畳み込みニューラルネットワークと中央線ガイド付きレベルセットアプローチを用いた短軸MRIにおける左心室の自動セグメンテーション

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Comput. Biol. Med..2020 Jul;122:103877. S0010-4825(20)30230-4. doi: 10.1016/j.compbiomed.2020.103877.Epub 2020-06-23.

深層畳み込みニューラルネットワークと中央線ガイド付きレベルセットアプローチを用いた短軸MRIにおける左心室の自動セグメンテーション

Automatic left ventricle segmentation in short-axis MRI using deep convolutional neural networks and central-line guided level set approach.

Lipeng Xie
Yi Song
Qiang Chen

PMID: 32658742 DOI: 10.1016/j.compbiomed.2020.103877.

抄録

心血管疾患の臨床診断において、心臓磁気共鳴画像（MRI）における左心室（LV）セグメンテーションは医師にとって不可欠な手順である。診断に要する時間を短縮するために、畳み込みニューラルネットワーク(CNN)とレベルセットアプローチを統合した自動LVセグメンテーション手法を開発した。第一に，従来のレベルセットアプローチのための手動による初期化プロセスを置き換えるために，CNNベースの心筋中心線検出アルゴリズムを提案した．第二に、心筋領域を定義するための新しい中心線誘導レベルセットアプローチ(CGLS)を提案する。特に、心筋中心線を制約項としてレベルセットのエネルギー定式化に組み込む。これは繰り返し処理において2つの重要な役割を果たす。すなわち、ゼロレベルの輪郭が心筋中心線の周りに留まるように制限することと、心筋セグメンテーション結果の解剖学的形状を維持することである。実験では、以下のような結果が得られた。(1) MICCAI 2009のデータセットでは、心外膜と心内膜の垂直距離が1.74mmと2.06mm、(2) ACDC MICCAI 2017のデータセットでは、拡張期末期のLVと心筋のDice測定値が0.955と0.853であった。実験データは、我々の手法がいくつかの最先端の手法を凌駕し、手動セグメンテーションの結果と良好な一致を達成していることを示している。

In the clinical diagnosis of cardiovascular diseases, left ventricle (LV) segmentation in cardiac magnetic resonance images (MRI) is an indispensable procedure for doctors. To reduce the time needed for diagnosis, we develop an automatic LV segmentation method by integrating the convolutional neural network (CNN) with the level set approach. Firstly, a CNN based myocardial central-line detection algorithm was proposed to replace the manual initialization process for traditional level set approaches. Secondly, we present a novel central-line guided level set approach (CGLS) for delineating the myocardium region. In particular, we incorporate the myocardial central-line into the level set energy formulation as a constraint term. It plays two important roles in the iterative process: restricting the zero-level contour to stay around the myocardial central-line and preserving the anatomical geometry of myocardium segmentation result. In experiments, our method yields results as below: (1) 1.74 mm and 2.06 mm in terms of epicardium and endocardium perpendicular distance on MICCAI 2009 dataset, (2) 0.955 and 0.853 in terms of LV and myocardium Dice metric at the end-diastole on ACDC MICCAI 2017 dataset. The experimental data demonstrate that our method outperforms some state-of-the-art methods and achieves a good agreement with the manual segmentation results.