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 심실 박출 분율(LVEF)의 한계점을 지적하고, 심근 변형률 및 변형률 속도를 이용한 보다 정확한 심장 기능 평가 방법을 제시한다. LVEF와 심근 변형률을 결합하여 심장 기능을 종합적으로 평가하기 위해, cine-MRI 이미지에 대한 그룹 단위(GW) 레지스트레이션과 분할을 공동으로 추정하는 end-to-end 심층 학습(DL) 모델을 제안한다. 제안된 해부학적 가이드 심층 GW 네트워크는 374명의 대규모 4-chamber view cine-MRI 이미지 데이터셋으로 학습 및 검증되었으며, 기존 elastix 기반 GW 레지스트레이션 및 다른 두 가지 DL 기반 방법과 비교하여 성능 향상과 계산 시간 단축을 보였다.
시사점, 한계점
•
시사점:
◦
LVEF의 한계를 극복하고 심근 변형률을 활용하여 더욱 정확하고 객관적인 심장 기능 평가 가능성 제시.
◦
end-to-end 심층 학습 모델을 통해 GW 레지스트레이션과 분할을 동시에 수행하여 계산 시간 단축 및 성능 향상 달성.
◦
대규모 데이터셋을 활용한 모델 학습 및 검증으로 신뢰도 높은 결과 제시.
•
한계점:
◦
제안된 모델의 성능은 사용된 데이터셋에 의존적일 수 있으며, 다른 데이터셋에 대한 일반화 성능 검증이 필요.
◦
4-chamber view cine-MRI 이미지에만 적용되었으므로, 다른 영상 뷰 또는 다른 영상 기법에 대한 적용 가능성 검토 필요.
