[论文解读] Accuracy, Uncertainty, and Adaptability of Automatic Myocardial ASL Segmentation using Deep CNN

P Hung, Yi Guo+2 more|arXiv (Cornell University)|Dec 10, 2018

Advanced MRI Techniques and Applications参考文献 40被引用 4

一句话总结

本研究提出一种基于蒙特卡洛 dropout 的 U-Net 深度卷积神经网络，用于自动分割心肌动脉自旋标记（ASL）灌注磁共振成像，实现高精度（Dice 评分：0.91±0.04），并可通过可学习的 β 参数控制 Tversky 损失实现不确定性估计与假阳性和假阴性之间的自适应权衡。该方法在心肌血流定量方面与人工分割具有极强的相关性（R² = 0.96）。

ABSTRACT

PURPOSE: To apply deep CNN to the segmentation task in myocardial arterial spin labeled (ASL) perfusion imaging and to develop methods that measure uncertainty and that adapt the CNN model to a specific false positive vs. false negative tradeoff. METHODS: The Monte Carlo dropout (MCD) U-Net was trained on data from 22 subjects and tested on data from 6 heart transplant recipients. Manual segmentation and regional myocardial blood flow (MBF) were available for comparison. We consider two global uncertainty measures, named Dice Uncertainty and MCD Uncertainty, which were calculated with and without the use of manual segmentation, respectively. Tversky loss function with a hyperparameter $β$ was used to adapt the model to a specific false positive vs. false negative tradeoff. RESULTS: The MCD U-Net achieved Dice coefficient of mean(std) = 0.91(0.04) on the test set. MBF measured using automatic segmentations was highly correlated to that measured using the manual segmentation ($R^2$ = 0.96). Dice Uncertainty and MCD Uncertainty were in good agreement ($R^2$ = 0.64). As $β$ increased, the false positive rate systematically decreased and false negative rate systematically increased. CONCLUSION: We demonstrate the feasibility of deep CNN for automatic segmentation of myocardial ASL, with good accuracy. We also introduce two simple methods for assessing model uncertainty. Finally, we demonstrate the ability to adapt the CNN model to a specific false positive vs. false negative tradeoff. These findings are directly relevant to automatic segmentation in quantitative cardiac MRI and are broadly applicable to automatic segmentation problems in diagnostic imaging.

研究动机与目标

• 开发一种准确、自动的心肌组织在动脉自旋标记（ASL）灌注磁共振成像中的分割方法。
• 在无需人工标注的情况下，量化基于深度学习的分割模型的不确定性。
• 在临床分割任务中实现对假阳性与假阴性之间权衡的自适应控制。
• 在心脏移植受者临床队列中验证该方法，其真实值基于人工分割与 MBF 测量结果。

提出的方法

• 在 22 名受试者上训练了一个带有蒙特卡洛 dropout（MCD）的 U-Net 架构，以实现在 ASL MRI 中的自动心肌分割。
• 引入了两种不确定性度量：使用人工分割作为参考的 Dice 不确定性，以及独立于人工标签的 MCD 不确定性。
• 采用具有可学习超参数 β 的 Tversky 损失函数，以控制假阳性与假阴性错误之间的平衡。
• 在 6 名独立的心脏移植受者上测试了该模型，其人工分割与区域心肌血流（MBF）测量结果可用于验证。
• 评估了 Dice 不确定性与 MCD 不确定性之间的一致性，R² = 0.64。
• 系统分析了 β 对不同假阳性与假阴性率下分割性能的影响。

实验结果

研究问题

• RQ1 基于蒙特卡洛 dropout 的深度卷积神经网络是否能够在无需人工分割计算不确定性的前提下，为心肌 ASL 分割提供可靠的不确定性估计？
• RQ2 当存在人工分割时，模型的不确定性与真实值的相关性如何？
• RQ3 通过可调节 β 参数的 Tversky 损失，在心肌分割中能在多大程度上控制假阳性与假阴性之间的权衡？
• RQ4 与人工分割相比，自动分割在保留定量心肌血流（MBF）值方面的准确性如何？
• RQ5 该模型是否能有效泛化到未见过的临床数据，实现高精度与可靠的不确定性估计？

主要发现

• MCD U-Net 在 6 名心脏移植受者的测试集上实现了 0.91 的平均 Dice 系数，标准差为 0.04。
• 由自动分割获得的心肌血流（MBF）值与人工分割结果具有极高的相关性（R² = 0.96）。
• Dice 不确定性与 MCD 不确定性表现出中等但显著的一致性（R² = 0.64），表明 MCD 不确定性可作为无需人工标签的不确定性可靠代理。
• 随着 Tversky 损失超参数 β 的增加，假阳性率系统性下降，而假阴性率上升，证明了有效的权衡控制。
• 该模型在未见临床数据上表现出强大的泛化能力，保持了高分割精度与可靠的不确定性量化。
• 不确定性估计与自适应损失优化的集成显著提升了深度学习在定量心脏磁共振成像中的临床适用性。