Cine MRIからのSAAB変換による連続した部分空間学習による心臓構造のセグメンテーション

Cine磁気共鳴画像（MRI）による心血管疾患（CVD）の評価は、詳細な心臓構造と機能を非侵襲的に評価するために使用されています。Cine MRIからの心臓構造の正確なセグメンテーションは、CVDの早期診断と予後のための重要なステップであり、畳み込みニューラルネットワーク（CNN）で大幅に改善されています。ただし、CNNモデルでは、制限された解釈可能性や高い複雑さなど、多くの制限が特定されているため、臨床診療での使用が制限されています。この作業では、制限に対処するために、軽量で解釈可能な機械学習モデル、調整されたバイアス（SAAB）変換を備えたサブスペース近似を備えたサブスペース学習を提案します。具体的には、セグメンテーションフレームワークは、次の手順で構成されています。（1）さまざまな解像度での周辺近くの近隣の連続拡張。（2）監視されていない寸法削減のためにSAAB変換を使用したチャネルごとの部分空間近似。（3）監視された寸法削減のためのクラスごとのエントロピーガイド機能選択。（4）勾配ブーストを伴う機能とピクセルごとの分類の連結。（5）後処理の条件付きランダムフィールド。ACDC 2017セグメンテーションデータベースの実験結果は、左心室、右心室、心筋の描写において200倍少ないパラメーターを備えた最先端のU-NETモデルよりも優れたパフォーマンスがあることを示しました。臨床診療で使用されます。臨床的関連性 - 心臓MR画像からの左心室空洞、心筋、および右心室の描写は、CVDの診断と予後を確立するための一般的な臨床タスクです。

Assessment of cardiovascular disease (CVD) with cine magnetic resonance imaging (MRI) has been used to non-invasively evaluate detailed cardiac structure and function. Accurate segmentation of cardiac structures from cine MRI is a crucial step for early diagnosis and prognosis of CVD, and has been greatly improved with convolutional neural networks (CNN). There, however, are a number of limitations identified in CNN models, such as limited interpretability and high complexity, thus limiting their use in clinical practice. In this work, to address the limitations, we propose a lightweight and interpretable machine learning model, successive subspace learning with the subspace approximation with adjusted bias (Saab) transform, for accurate and efficient segmentation from cine MRI. Specifically, our segmentation framework is comprised of the following steps: (1) sequential expansion of near-to-far neighborhood at different resolutions; (2) channel-wise subspace approximation using the Saab transform for unsupervised dimension reduction; (3) class-wise entropy guided feature selection for supervised dimension reduction; (4) concatenation of features and pixel-wise classification with gradient boost; and (5) conditional random field for post-processing. Experimental results on the ACDC 2017 segmentation database, showed that our framework performed better than state-of-the-art U-Net models with 200× fewer parameters in delineating the left ventricle, right ventricle, and myocardium, thus showing its potential to be used in clinical practice.Clinical relevance- Delineation of the left ventricular cavity, myocardium, and right ventricle from cardiac MR images is a common clinical task to establish diagnosis and prognosis of CVD.