[论文解读] A Novel Deep Learning Based Approach for Left Ventricle Segmentation in Echocardiography: MFP-Unet

Shakiba Moradi, Mostafa Ghelich Oghli+6 more|arXiv (Cornell University)|Jun 25, 2019

Cardiac Valve Diseases and Treatments参考文献 59被引用 156

一句话总结

本文提出MFP-Unet，一种新型U-Net变体，通过在最终语义分割前对多级解码器特征图进行深度均衡化和上采样融合，提升了2D超声心动图中左心室（LV）分割的性能。该方法在Dice分数达0.945、Hausdorff距离为1.62的情况下实现最先进性能，并在功能参数上展现出良好的临床一致性。

ABSTRACT

Segmentation of the Left ventricle (LV) is a crucial step for quantitative measurements such as area, volume, and ejection fraction. However, the automatic LV segmentation in 2D echocardiographic images is a challenging task due to ill-defined borders, and operator dependence issues (insufficient reproducibility). U-net, which is a well-known architecture in medical image segmentation, addressed this problem through an encoder-decoder path. Despite outstanding overall performance, U-net ignores the contribution of all semantic strengths in the segmentation procedure. In the present study, we have proposed a novel architecture to tackle this drawback. Feature maps in all levels of the decoder path of U-net are concatenated, their depths are equalized, and up-sampled to a fixed dimension. This stack of feature maps would be the input of the semantic segmentation layer. The proposed network yielded state-of-the-art results when comparing with results from U-net, dilated U-net, and deeplabv3, using the same dataset. An average Dice Metric (DM) of 0.945, Hausdorff Distance (HD) of 1.62, Jaccard Coefficient (JC) of 0.97, and Mean Absolute Distance (MAD) of 1.32 are achieved. The correlation graph, bland-altman analysis, and box plot showed a great agreement between automatic and manually calculated volume, area, and length.

研究动机与目标

• 为解决手动分割超声心动图图像中左心室时存在的可重复性差和观察者间差异大的挑战。
• 通过整合解码器所有层级的语义优势，改进U-Net的局限性。
• 开发一种深度学习模型，以提升在低对比度、斑点噪声明显且边界不清晰的超声心动图图像中的分割精度。
• 实现与手动勾画在容积、射血分数和面积测量方面一致的临床可信赖分割结果。

提出的方法

• 所提出的MFP-Unet架构通过在深度均衡化和上采样至固定维度后，将所有解码器层级的特征图进行拼接，扩展了U-Net结构。
• 使用膨胀率为2的空洞卷积构建多尺度特征金字塔，以扩大感受野而不增加参数量。
• 增加一个使用Niblack局部阈值法（k=2）预处理的输入层，以增强边缘对比度并改善特征学习。
• 在编码器与解码器路径之间保留跳跃连接，以维持空间分辨率和梯度流动。
• 最终的语义分割层处理堆叠的多级特征图，生成精确的左心室边界预测结果。
• 网络在包含2D四腔心切面及人工标注真值的图像数据集上，采用端到端监督学习进行训练。

实验结果

研究问题

• RQ1 融合多级解码器特征是否能提升在具有挑战性的超声心动图图像中左心室分割的准确性？
• RQ2 在不增加模型复杂度的前提下，引入低膨胀率的空洞卷积是否能增强特征表示？
• RQ3 MFP-Unet在分割指标和临床参数一致性方面与U-Net、空洞U-Net及DeepLabv3相比表现如何？
• RQ4 所提出方法在多大程度上减少了左心室功能参数估计中的观察者间差异？
• RQ5 该模型是否能在相对较小且多样化的训练集上实现高精度？

主要发现

• MFP-Unet的Dice分数达到0.945，表明与人工分割结果高度重叠。
• Hausdorff距离为1.62，反映出最大边界误差极小。
• Jaccard系数达到0.97，证实了分割结果的一致性极强。
• 平均绝对距离为1.32，表明边界定位具有高精度。
• Bland-Altman分析与相关性分析显示，自动测量与人工测量在舒张末期容积、收缩末期容积和射血分数方面偏差可忽略且一致性极强。
• 箱线图分析证实，MFP-Unet在估算射血分数方面表现最优，四分位距最窄且异常值最少。