CMRINet: Joint Groupwise Registration and Segmentation for Cardiac Function Quantification from Cine-MRI
Created by
Haebom
저자
Mohamed S. Elmahdy, Marius Staring, Patrick J. H. de Koning, Samer Alabed, Mahan Salehi, Faisal Alandejani, Michael Sharkey, Ziad Aldabbagh, Andrew J. Swift, Rob J. van der Geest
개요
본 논문은 심장 기능 정량화를 위한 심장 자기공명영상(cine-MRI) 분석에 딥러닝 기반의 새로운 접근 방식을 제시합니다. 기존의 좌심실 박출률(LVEF) 측정의 한계를 극복하고 심근 변형률(strain)을 함께 고려하여 심장 기능을 더욱 정확하게 평가하고자 합니다. 이를 위해 해부학적 정보를 활용한 딥러닝 네트워크(Deep GW network)를 개발하여 그룹별(GW) 영상등록과 분할을 동시에 수행하는 end-to-end 모델을 제안합니다. 374명의 4챔버 심장 cine-MRI 데이터셋을 이용하여 모델을 학습 및 검증하였으며, 기존 방법들과 비교하여 성능 향상과 연산 시간 단축을 확인하였습니다.
시사점, 한계점
•
시사점:
◦
기존 LVEF 기반 심장 기능 평가의 한계를 극복하고 심근 변형률을 통합하여 더욱 포괄적인 평가 가능
◦
end-to-end 딥러닝 모델을 통해 그룹별 영상등록과 분할을 동시에 수행하여 효율성 증대 및 성능 향상
◦
대규모 데이터셋을 활용한 검증으로 모델의 신뢰성 확보
•
한계점:
◦
제안된 모델의 성능은 사용된 데이터셋에 의존적일 수 있음. 다양한 데이터셋에 대한 추가적인 검증 필요
