[论文解读] Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark Study from Multi-Sequence Cardiac MR Segmentation Challenge

Xiahai Zhuang, Jiahang Xu+21 more|arXiv (Cornell University)|Jun 22, 2020

Advanced MRI Techniques and Applications被引用 11

一句话总结

本基准研究基于MICCAI 2019挑战赛提供的多序列心脏MR数据集，评估了9种用于晚期钆增强（LGE）心脏MRI左心室和心肌分割的最先进方法。主要贡献在于证明，无论采用有监督还是无监督方法，其性能均与观察者间差异相当；尽管LGE标注数据有限，但辅助的bSSFP和T2序列显著提升了分割的鲁棒性。

ABSTRACT

Accurate computing, analysis and modeling of the ventricles and myocardium from medical images are important, especially in the diagnosis and treatment management for patients suffering from myocardial infarction (MI). Late gadolinium enhancement (LGE) cardiac magnetic resonance (CMR) provides an important protocol to visualize MI. However, automated segmentation of LGE CMR is still challenging, due to the indistinguishable boundaries, heterogeneous intensity distribution and complex enhancement patterns of pathological myocardium from LGE CMR. Furthermore, compared with the other sequences LGE CMR images with gold standard labels are particularly limited, which represents another obstacle for developing novel algorithms for automatic segmentation of LGE CMR. This paper presents the selective results from the Multi-Sequence Cardiac MR (MS-CMR) Segmentation challenge, in conjunction with MICCAI 2019. The challenge offered a data set of paired MS-CMR images, including auxiliary CMR sequences as well as LGE CMR, from 45 patients who underwent cardiomyopathy. It was aimed to develop new algorithms, as well as benchmark existing ones for LGE CMR segmentation and compare them objectively. In addition, the paired MS-CMR images could enable algorithms to combine the complementary information from the other sequences for the segmentation of LGE CMR. Nine representative works were selected for evaluation and comparisons, among which three methods are unsupervised methods and the other six are supervised. The results showed that the average performance of the nine methods was comparable to the inter-observer variations. The success of these methods was mainly attributed to the inclusion of the auxiliary sequences from the MS-CMR images, which provide important label information for the training of deep neural networks.

研究动机与目标

• 为解决在训练深度学习模型进行心脏分割时，金标准LGE CMR标注数据有限的挑战。
• 评估并比较在共享基准数据集上，有监督与无监督深度学习方法在LGE CMR分割中的性能表现。
• 探究在LGE图像标注数据稀缺的条件下，辅助心脏MRI序列（bSSFP和T2）在提升分割精度方面的有效性。
• 建立一个公开的、标准化的LGE CMR分割基准，提供训练、验证和测试数据及金标准的开放访问。

提出的方法

• 本研究采用来自45名心肌病患者的心脏MR多序列数据集，包含配对的LGE、bSSFP和T2序列。
• 参赛者使用5张标注的LGE图像进行有监督微调，或利用bSSFP/T2序列的标签进行无监督域自适应。
• 评估框架采用盲评客观指标，包括左心室、心肌、心内膜/左心室射血分数的Dice分数、Hausdorff距离和平均表面距离。
• 将方法与观察者间差异进行对比，以评估其临床相关性与鲁棒性。
• 基准包含训练集（5张LGE）和测试集（40张LGE），挑战结束后公布了金标准分割结果以确保可复现性。
• 统一的评估协议确保了不同算法方法（包括多模态融合与形状感知学习）之间的公平比较。

实验结果

研究问题

• RQ1 当仅有少量标注的LGE CMR图像时，无监督域自适应方法能否实现与有监督方法相当的性能？
• RQ2 辅助的bSSFP和T2序列在多大程度上提升了LGE CMR分割的精度与鲁棒性？
• RQ3 最先进分割模型在LGE CMR分割中的表现与临床实践中观察者间差异相比如何？
• RQ4 联合分割多种心脏MRI序列（LGE、bSSFP、T2）是否能优于单序列方法？
• RQ5 在低数据环境下，多模态数据融合与域自适应对心脏MRI分割泛化能力有何影响？

主要发现

• 所评估的九种方法的平均性能与观察者间差异相当，表明其具有高度的临床相关性。
• 表现最佳的有监督与无监督方法在心肌分割上的Dice分数均为0.812 ± 0.105，在左心室分割上的Dice分数均为0.915 ± 0.052。
• 无监督域自适应方法（使用bSSFP/T2标签但无LGE标注）的性能几乎与有监督方法相当，表明bSSFP与LGE之间域偏移极小。
• 引入辅助序列（bSSFP和T2）对成功分割至关重要，可有效支持预训练与域自适应。
• 尽管联合多序列分割具有潜力，但所评估的方法中无一采用该策略，可能由于联合配准与优化存在挑战。
• 本基准数据集（包含训练集与测试集的金标准标签）已公开，可支持未来可复现的研究。