Temporally Consistent Mitral Annulus Measurements from Sparse Annotations in Echocardiographic Videos

技術要約：疎なアノテーションを用いた心エコー動画における時間的一貫性を持つ僧帽弁輪計測

問題提起
僧帽弁輪の正確な評価は、特に僧帽弁逆流症や冠動脈疾患の診断において極めて重要である。僧帽弁輪平面収縮期移動（MAPSE）や弁輪径といった主要な臨床指標は、収縮末期（ES）および拡張末期（ED）における弁輪ランドマークの精密な位置特定に依存している。深層学習は教師ありランドマーク検出を可能にしてきたが、既存の手法は主に2つの課題に直面している：

1. 時間的一貫性の欠如： フレームごとの手動アノテーションは労力がかかり、不一致が生じやすい。既存の自動化手法は、疎な人間によるアノテーションを再現することに焦点を当てがちであり、時間的な滑らかさを強制しないため、生理学的な動きを反映しない不安定なランドマークの軌跡を招くことが多い。
2. 解剖学的ランドマークの欠落： 超音波診断における視野の制限により、対象となる解剖学的構造が患者や操作者の動きによって消失することがある。現在の手法は、ランドマークが視野外に出たことを認識するのが困難であり、誤検出につながる可能性がある。

手法
著者らは、疎なアノテーションのみを用いて時間的一貫性のあるランドマーク位置特定を実現するための、新しい自己教師あり学習アプローチを提案している。この手法は、以下の3つのコアコンポーネントで構成される：

1. ネットワーク・アーキテクチャ：

   • システムは、グローバルプーリングを用いないResNet風の完全畳み込みニューラルネットワーク（CNN）を採用し、小バッチ学習のためにGroupNormを利用している。
   • ネットワークは、チャンネル方向にスタックされた3つの連続するフレームを入力として処理する。
   • デュアルヘッド出力を利用する：分類ヘッドは特定の画像パッチ内にランドマークが存在する確率を予測し、回帰ヘッドはパッチ中心からランドマークまでの距離を推論する。
   • 最終的なランドマーク座標は、分類確率によって重み付けされた、回帰された位置の加重平均として算出される。

2. 時間的一貫性損失（Temporal Consistency Loss）：

   • 滑らかさを強制するため、ネットワークは現在のフレーム（$t$）におけるランドマーク位置だけでなく、隣接するフレーム（$t-1$ および $t+1$）への変位ベクトルも予測するように訓練される。
   • 自己教師あり損失項（$L_{temp}$）を導入し、$t \pm 1$ における直接的な予測位置と、予測された変位ベクトルを用いてフレーム $t$ の予測から伝播された位置との間の誤差を最小化する。
   • この損失は、標準的な教師あり分類および回帰損失と組み合わせられ、係数 $\beta = 0.5$ でスケーリングされる。

3. 視野（Field-of-View）拡張：

   • ランドマークの欠落に対処するため、トレーニングパイプラインには現実的な扇形（セクター型）のクロッピングおよび回転の拡張が含まれている。
   • これらの拡張は、ランドマークが超音波の視野外へ移動するシナリオをシミュレートするものである。
   • 学習中、ランドマークがクロップアウトされた場合、その分類ターゲットは無効化（ゼロに設定）され、そのパッチに対する回帰出力はバックプロパゲーションから除外される。
   • 推論時、ランドマークの最大分類確率が特定の閾値を下回った場合、予測は保留される。

主な貢献

• 自己教師あり時間的正則化： 隣接するフレーム間の一貫性を強制する損失項を導入することで、密なアノテーションを必要とせずに、ランドマークの軌跡を効果的に平滑化する。
• 欠損データへの堅牢性： ランドマークが視野外に出た際に、位置を幻覚（ハルシネーション）させるのではなく、予測を抑制するようにモデルを訓練する特定の視野拡張戦略。
• 疎なアノテーションの効率性： 疎なフレーム（収縮末期および拡張末期）のみを使用することで高い精度を実現し、密なラベル付け戦略と比較してアノテーションの負担を軽減する。

結果
本手法は、公開データセットであるCAMUSと、アムステルダム大学医療センター（AUMC）からのプライベートデータセット（心尖部2腔、3腔、4腔ビューを含む）を組み合わせたデータセットを用いて評価された。

• 位置特定精度： 提案手法は、ランドマーク位置特定において 2.48 ± 0.07 mm の平均絶対誤差（MAE）を達成した。
• MAPSE計算： MAPSEのMAEは 1.81 ± 0.14 mm であり、ベースライン手法（2.32 ± 0.14 mm, $p < 0.05$）と比較して大幅な改善を示した。
• 時間的な滑らかさ： 平均絶対ジャーク（軌跡の滑らかさの尺度）は 3.18 から 0.98 mm/frame³ へと減少しており、より生理学的に妥当な運動追跡が示された。
• 欠損ランドマークの認識： 拡張データを用いてテストした際、モデルは欠損ランドマークの認識において 0.99 ROC-AUC を達成した（特定の視野拡張を用いない場合は0.91）。
• 環状構造のサイズ： ランドマーク間の距離の測定誤差は 2.46 ± 0.31 mm であった。

意義と主張
本論文は、提案手法が、従来のアプローチよりも期待される生理学的挙動に合致した、堅牢な自動僧帽弁輪トラッキングの解決策を提供すると主張している。MAPSE計算の誤差を約0.5 mm減少させることで、著者らは、死亡リスク増加に関連する臨床的なカットオフ値である9 mm付近の患者におけるリスク層別化を改善できる可能性を示唆している。

著者らは、自らの結果が先行研究（例：Smistadら）よりも優れているように見えるものの、異なるデータセットを使用しているため直接比較は困難であるとし、控えめな姿勢を維持している。また、本手法がこの特定のタスクにおいて最先端の状態を改善している一方で、他のビデオベースのランドマーク検出タスクに対する有効性を判断するにはさらなる研究が必要であることも認めている。さらに、欠損ランドマークの認識は、自然に発生する欠損ランドマークを含む臨床データセットではなく、拡張されたテストデータで検証されたことを指摘しており、これを今後のデータ収集が必要な領域として特定している。