[论文解读] Anatomically-Informed Deep Learning on Contrast-Enhanced Cardiac MRI for Scar Segmentation and Clinical Feature Extraction

Haley G. Abramson, Dan M. Popescu+6 more|arXiv (Cornell University)|Oct 21, 2020

Advanced MRI Techniques and Applications被引用 4

一句话总结

该论文提出ACSNet，一种完全自动化的、基于解剖结构的深度学习框架，用于在延迟钆增强心脏磁共振（LGE-CMR）中进行左心室及瘢痕/纤维化组织的分割。通过使用三种级联的U-Net架构网络，并结合合成的'LGE样' cine图像进行数据增强，该方法实现了专家水平的准确率（左心室为96%的平衡准确率，瘢痕为75%），并具备临床相关的特征提取能力，且观察者间差异极小。

ABSTRACT

Visualizing disease-induced scarring and fibrosis in the heart on cardiac magnetic resonance (CMR) imaging with contrast enhancement (LGE) is paramount in characterizing disease progression and quantifying pathophysiological substrates of arrhythmias. However, segmentation and scar/fibrosis identification from LGE-CMR is an intensive manual process prone to large inter-observer variability. Here, we present a novel fully-automated anatomically-informed deep learning solution for left ventricle (LV) and scar/fibrosis segmentation and clinical feature extraction from LGE-CMR. The technology involves three cascading convolutional neural networks that segment myocardium and scar/fibrosis from raw LGE-CMR images and constrain these segmentations within anatomical guidelines, thus facilitating seamless derivation of clinically-significant parameters. In addition to available LGE-CMR images, training used "LGE-like" synthetically enhanced cine scans. Results show excellent agreement with those of trained experts in terms of segmentation (balanced accuracy of $96\\%$ and $75\\%$ for LV and scar segmentation), clinical features ($2\\%$ difference in mean scar-to-LV wall volume fraction), and anatomical fidelity. Our segmentation technology is extendable to other computer vision medical applications and to problems requiring guidelines adherence of predicted outputs.

研究动机与目标

• 通过自动化处理，解决手动LGE-CMR瘢痕与心肌分割中存在的高观察者间差异性和耗时问题。
• 通过在深度学习中引入解剖约束，提升在多样化成像协议与病理情况下的分割鲁棒性。
• 实现准确、可重复的临床特征提取，如瘢痕与左心室壁体积分数，用于心律失常风险分层。
• 通过在cine MRI上应用合成的'LGE样'增强来扩充训练数据，克服LGE-CMR中数据稀缺的问题。
• 通过确保深度学习输出的解剖结构保真度，实现血流动力学与纤维化参数的可靠推导。

提出的方法

• 采用三级级联网络架构：(1) 左心室（LV）分割，(2) 心肌分割，(3) 基于自编码器的解剖先验学习。
• 通过风格迁移技术在舒张末期（ED）cine MRI上应用合成的'LGE样'增强，模拟LGE对比度，从而在无需真实LGE扫描的情况下扩展训练数据。
• 左心室与心肌分割网络采用平衡交叉熵与Tversky损失的加权组合，以同时优化像素级与图像级分割准确率。
• Tversky损失函数引入beta参数（左心室为0.6，心肌为0.4），以更严厉惩罚假阳性，提升边界分割精度。
• 通过在真实心肌掩膜上训练的自编码器，学习低维潜在空间（d=16, p=6），以编码解剖合理性，从而施加解剖约束。
• 后处理包括使用3×3椭球核进行形态学腐蚀与组件过滤，以去除小的假阳性区域，随后通过FWHM阈值化方法分离出致密核心瘢痕。

实验结果

研究问题

• RQ1 完全自动化的深度学习框架是否能在无需人工干预的情况下，实现LGE-CMR中左心室与瘢痕分割的专家水平准确率？
• RQ2 在cine MRI上引入合成的'LGE样'增强是否能提升模型在多样化成像协议与病理情况下的泛化能力与性能表现？
• RQ3 通过自编码器编码的解剖先验是否能提升分割保真度，并减少深度学习输出中的解剖异常值？
• RQ4 与专家读片相比，该方法在保留临床相关特征（如瘢痕与左心室壁体积分数）方面表现如何？
• RQ5 在不同心脏区域（心尖、中段心室、心底部）中，该模型在分割一致性与准确率方面表现如何？

主要发现

• 该方法在左心室分割中达到96%的平衡准确率，在瘢痕/纤维化分割中达到75%，与专家标注结果高度一致。
• 从ACSNet分割结果计算出的瘢痕与左心室壁体积分数仅与专家结果相差2%，表明其具有高度临床相关性。
• 模型在所有心脏区域（心尖、中段心室、心底部）均保持一致的性能表现，避免了在平均值评估中常见的高性能异常值问题。
• 使用合成的'LGE样'cine图像显著提升了数据效率与泛化能力，尤其在真实LGE-CMR数据集有限的情况下优势明显。
• 通过形态学腐蚀与组件过滤的后处理显著减少了假阳性，提升了分割保真度，同时未影响真阳性检测。
• 最终模型选择d=16的潜在空间维度与p=6个分量，基于负对数似然（NLL）与赤池信息准则（AIC）在重建准确率与模型复杂度之间实现良好平衡。