[论文解读] A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging

Zhaohan Xiong, Qing Xia+42 more|arXiv (Cornell University)|Apr 26, 2020

Advanced MRI Techniques and Applications参考文献 38被引用 13

一句话总结

本论文提出了一项大规模基准测试，针对27种用于分割晚期钆增强心脏磁共振成像（LGE-MRI）的算法，使用了全球最大的数据集——包含154例3D LGE-MRI影像，且左心房标签由专家标注。表现最佳的方法取得了93.2%的Dice分数和0.7毫米的平均表面距离，表明两阶段CNN流程（先定位感兴趣区域，再精细化分割）显著优于单阶段CNN方法。

ABSTRACT

Segmentation of cardiac images, particularly late gadolinium-enhanced magnetic resonance imaging (LGE-MRI) widely used for visualizing diseased cardiac structures, is a crucial first step for clinical diagnosis and treatment. However, direct segmentation of LGE-MRIs is challenging due to its attenuated contrast. Since most clinical studies have relied on manual and labor-intensive approaches, automatic methods are of high interest, particularly optimized machine learning approaches. To address this, we organized the "2018 Left Atrium Segmentation Challenge" using 154 3D LGE-MRIs, currently the world's largest cardiac LGE-MRI dataset, and associated labels of the left atrium segmented by three medical experts, ultimately attracting the participation of 27 international teams. In this paper, extensive analysis of the submitted algorithms using technical and biological metrics was performed by undergoing subgroup analysis and conducting hyper-parameter analysis, offering an overall picture of the major design choices of convolutional neural networks (CNNs) and practical considerations for achieving state-of-the-art left atrium segmentation. Results show the top method achieved a dice score of 93.2% and a mean surface to a surface distance of 0.7 mm, significantly outperforming prior state-of-the-art. Particularly, our analysis demonstrated that double, sequentially used CNNs, in which a first CNN is used for automatic region-of-interest localization and a subsequent CNN is used for refined regional segmentation, achieved far superior results than traditional methods and pipelines containing single CNNs. This large-scale benchmarking study makes a significant step towards much-improved segmentation methods for cardiac LGE-MRIs, and will serve as an important benchmark for evaluating and comparing the future works in the field.

研究动机与目标

• 建立晚期钆增强心脏磁共振成像（LGE-MRI）中自动左心房分割的全球性基准。
• 在具有专家验证标签的大规模标准化数据集上，评估并比较多种深度学习算法的性能。
• 识别在低对比度LGE-MRI中基于CNN分割的最优网络架构与超参数选择。
• 为未来心脏MRI分割研究提供全面且可复现的参考基准。

提出的方法

• 本研究组织了2018年左心房分割挑战赛，从三位专家放射科医生处收集了154例3D LGE-MRI影像及其左心房标注。
• 评估了一种两阶段CNN架构，其中第一阶段网络用于定位感兴趣区域，第二阶段网络执行精细化分割。
• 采用技术指标（Dice分数、表面到表面距离）和生物合理性评估对算法进行评价。
• 通过超参数调优和子组分析，识别出在多种模型中具有鲁棒性的设计模式。
• 基准测试涵盖了经典与最先进深度学习架构，并采用标准化评估协议。
• 性能评估结合了定量指标与对分割精度和解剖合理性的定性分析。

实验结果

研究问题

• RQ1 最先进深度学习模型在低对比度LGE-MRI影像中分割左心房的性能如何？
• RQ2 两阶段CNN流程与单阶段CNN架构在分割精度和鲁棒性方面有何差异？
• RQ3 哪些网络架构与超参数选择能实现心脏MRI分割的最优性能？
• RQ4 模型设计在多大程度上影响分割结果的解剖合理性与临床相关性？
• RQ5 所提出的基准如何促进未来心脏MRI分割算法的开发与比较？

主要发现

• 表现最佳的算法取得了93.2%的Dice分数，显著优于以往最先进方法。
• 最佳方法的平均表面到表面距离为0.7毫米，表明其几何精度极高。
• 两阶段CNN流程——包括先进行感兴趣区域定位，再进行精细化分割——在性能上显著优于单阶段CNN方法。
• 本研究发现，网络架构设计选择，尤其是采用顺序式多阶段网络结构，对分割精度有显著影响。
• 超参数分析表明，对学习率、网络深度和损失函数的精细调优可显著提升模型泛化能力。
• 该基准数据集与评估框架现已成为未来心脏LGE-MRI分割研究的标准参考。