[论文解读] A Combined Deep-Learning and Deformable-Model Approach to Fully Automatic Segmentation of the Left Ventricle in Cardiac MRI

M. R. Avendi, Arash Kheradvar+1 more|arXiv (Cornell University)|Dec 25, 2015

Medical Image Segmentation Techniques参考文献 42被引用 4

一句话总结

本文提出了一种用于心脏MRI的完全自动左心室（LV）分割方法，结合了混合深度学习与可变形模型的方法。该方法利用卷积网络进行LV检测，通过堆叠自编码器进行形状推理，并将二者整合到可变形模型中，以提升准确性和鲁棒性，在MICCAI 2009数据集上实现了0.94的Dice分数和96.69%的良好轮廓率，优于当前最先进方法。

ABSTRACT

Segmentation of the left ventricle (LV) from cardiac magnetic resonance imaging (MRI) datasets is an essential step for calculation of clinical indices such as ventricular volume and ejection fraction. In this work, we employ deep learning algorithms combined with deformable models to develop and evaluate a fully automatic segmentation tool for the LV from short-axis cardiac MRI datasets. The method employs deep learning algorithms to learn the segmentation task from the ground true data. Convolutional networks are employed to automatically detect the LV chamber in MRI dataset. Stacked autoencoders are utilized to infer the shape of the LV. The inferred shape is incorporated into deformable models to improve the accuracy and robustness of the segmentation. We validated our method using 45 cardiac MR datasets taken from the MICCAI 2009 LV segmentation challenge and showed that it outperforms the state-of-the art methods. Excellent agreement with the ground truth was achieved. Validation metrics, percentage of good contours, Dice metric, average perpendicular distance and conformity, were computed as 96.69%, 0.94, 1.81mm and 0.86, versus those of 79.2%-95.62%, 0.87-0.9, 1.76-2.97mm and 0.67-0.78, obtained by other methods, respectively.

研究动机与目标

• 开发一种完全自动、鲁棒且准确的左心室分割方法，无需人工干预。
• 通过结合传统可变形模型与深度学习方法的优势，克服二者各自的局限性。
• 在基底和心尖切片等挑战区域（强度不均匀性和部分容积效应显著）提升分割准确性。
• 通过堆叠自编码器学习的形状先验，降低对大规模、多样化训练数据集的依赖。
• 在公开基准数据集上验证该方法，并证明其在性能上优于现有最先进方法。

提出的方法

• 采用两阶段深度学习流程：首先，卷积神经网络（CNN）在短轴心脏MRI切片中检测左心室腔室。
• 堆叠自编码器从输入MRI中推断LV的全局形状，学习心室形态的紧凑、分层表示。
• 推断出的形状用于初始化可变形模型，该模型通过优化轮廓平滑性和图像保真度来细化分割结果。
• 可变形模型整合自编码器提供的形状先验，以提高收敛性和鲁棒性，尤其在低对比度或噪声区域表现更优。
• 该方法在MICCAI 2009左心室分割挑战赛提供的45个心脏MRI数据集上进行训练与验证，并通过数据增强技术减轻过拟合。
• 该框架在CPU平台上实现，每切片分割时间低于0.5秒，且具备向GPU加速扩展的潜力。

实验结果

研究问题

• RQ1 与独立的深度学习或可变形模型相比，混合深度学习与可变形模型的方法是否能实现更优的分割准确性？
• RQ2 堆叠自编码器在有限训练数据下，能否有效学习并泛化左心室形状先验？
• RQ3 通过深度自编码器获得的形状初始化，在心尖和基底切片等困难区域在多大程度上提升了鲁棒性？
• RQ4 所集成的已学习形状先验在多大程度上降低了对心脏MRI中强度不均匀性和噪声的敏感性？
• RQ5 在标准化基准上，该方法与现有最先进方法相比，其定量表现如何？

主要发现

• 在MICCAI 2009数据集上，该方法实现了96.69%的良好轮廓率，显著优于以往方法（79.2%–95.62%）。
• Dice相似系数达到0.94，表明与真实标注的重叠程度高，优于其他最先进方法的0.87–0.90。
• 分割轮廓与真实轮廓之间的平均垂直距离为1.81 mm，低于其他方法报告的1.76–2.97 mm范围。
• 一致性度量为0.86，表明与参考轮廓具有高度结构一致性，优于竞争方法的0.67–0.78范围。
• 该方法在基底和心尖切片等具有挑战性的区域表现出鲁棒性能，这些区域的强度变化和部分容积效应最为显著。
• 每切片分割时间低于0.5秒，其中大部分时间消耗在卷积网络与可变形模型的集成处理上。