[论文解读] Learning-based Regularization for Cardiac Strain Analysis with Ability for Domain Adaptation

Allen Lu, Nripesh Parajuli+11 more|arXiv (Cornell University)|Jul 12, 2018

Cardiac Valve Diseases and Treatments参考文献 25被引用 5

一句话总结

本文提出了一种基于学习的正则化框架，用于3D+时间超声心动图（4DE）心脏应变分析，整合了生物力学约束和领域自适应。该方法采用带有合成数据的监督神经网络，以及带有生物力学正则化的无监督自编码器，以提高运动估计的准确性，在尸检心脏的预测应变图与手动勾画的梗死区域之间实现了高度一致。

ABSTRACT

Reliable motion estimation and strain analysis using 3D+time echocardiography (4DE) for localization and characterization of myocardial injury is valuable for early detection and targeted interventions. However, motion estimation is difficult due to the low-SNR that stems from the inherent image properties of 4DE, and intelligent regularization is critical for producing reliable motion estimates. In this work, we incorporated the notion of domain adaptation into a supervised neural network regularization framework. We first propose an unsupervised autoencoder network with biomechanical constraints for learning a latent representation that is shown to have more physiologically plausible displacements. We extended this framework to include a supervised loss term on synthetic data and showed the effects of biomechanical constraints on the network's ability for domain adaptation. We validated both the autoencoder and semi-supervised regularization method on in vivo data with implanted sonomicrometers. Finally, we showed the ability of our semi-supervised learning regularization approach to identify infarcted regions using estimated regional strain maps with good agreement to manually traced infarct regions from postmortem excised hearts.

研究动机与目标

• 提高低信噪比（low-SNR）4DE图像中运动估计与应变分析的可靠性，此类图像易受噪声和伪影影响。
• 通过实现从合成数据到真实体内数据的领域自适应，解决心脏运动追踪中真实世界标注数据有限的挑战。
• 开发一种正则化方法，利用生物力学约束生成生理上合理的心肌位移。
• 验证该方法在估计应变图与尸检金标准对比下识别梗死区域的能力。
• 在应激与静息状态下实现稳健的应变分析，以提升缺血性心肌区域的检测能力。

提出的方法

• 提出一种带有生物力学约束的无监督自编码器，以学习更符合生理特性的心肌位移潜在表示。
• 通过在合成4DE数据上添加监督损失，引入半监督学习框架，以提升对真实体内数据的泛化能力。
• 在自编码器训练过程中应用生物力学约束（如平滑性、体积守恒）以正则化位移场。
• 使用B样条变换的非刚性配准方法，并以互信息作为相似性度量，以估计密集位移场。
• 将静息状态下的心室舒张末期图像的变换应用于应激图像，以计算差异应变图用于功能评估。
• 使用植入超声微探针的体内数据验证结果，并将应变图与尸检离体心脏中手动勾画的梗死区域进行比较。

实验结果

研究问题

• RQ1 与传统的块匹配或非刚性配准相比，基于深度学习的正则化框架是否能提升低信噪比4DE图像中的运动估计精度？
• RQ2 在无监督自编码器中引入生物力学约束在多大程度上提升了学习到位移场的生理合理性？
• RQ3 半监督学习方法在将知识从合成数据迁移至真实体内4DE数据以实现应变估计方面有多有效？
• RQ4 与尸检金标准勾画相比，预测的应变图是否能准确识别梗死心肌区域？
• RQ5 与仅基于静息状态的分析相比，应激与静息状态下的差异应变分析是否能增强缺血区域的检测能力？

主要发现

• 半监督学习方法在应激状态下实现了梗死区域的中位峰值应变值为18.3%，非梗死区域为35.2%，表明应变差异显著增加，可揭示缺血区域。
• 差异应变图增强了功能变化的可视化，梗死区域的平均差异应变为2.8%，表明收缩储备减少。
• 预测应变图与尸检离体心脏中手动勾画的梗死区域之间表现出高度一致性，验证了其临床相关性。
• 在自编码器中引入生物力学约束提升了位移场的生理合理性，减少了噪声并改善了空间一致性。
• 该框架在带有超声微探针的体内数据上实现了可靠的应变估计，证实了运动追踪与正则化方法的准确性。
• 本研究首次将现代机器学习中用于回归的领域自适应方法应用于心脏运动估计，实现了从合成数据到真实数据的有效迁移。