[论文解读] Atrial Scar Quantification via Multi-scale CNN in the Graph-cuts Framework

Lei Li, Fuping Wu+7 more|arXiv (Cornell University)|Feb 21, 2019

Atrial Fibrillation Management and Outcomes参考文献 27被引用 8

一句话总结

该论文提出了一种完全自动化的左心房（LA）纤维化瘢痕定量方法，基于图割（graph-cuts）框架内的多尺度卷积神经网络（MS-CNN），在晚期钆增强磁共振成像（LGE-MRI）中实现。通过在左心房心内膜表面网格上学习潜在能量，该方法实现了高精度（0.856 ± 0.033）和Dice分数（0.702 ± 0.071），显著优于依赖人工初始化的传统方法。

ABSTRACT

Late gadolinium enhancement magnetic resonance imaging (LGE MRI) appears to be a promising alternative for scar assessment in patients with atrial fibrillation (AF). Automating the quantification and analysis of atrial scars can be challenging due to the low image quality. In this work, we propose a fully automated method based on the graph-cuts framework, where the potentials of the graph are learned on a surface mesh of the left atrium (LA) using a multi-scale convolutional neural network (MS-CNN). For validation, we have employed fifty-eight images with manual delineations. MS-CNN, which can efficiently incorporate both the local and global texture information of the images, has been shown to evidently improve the segmentation accuracy of the proposed graph-cuts based method. The segmentation could be further improved when the contribution between the t-link and n-link weights of the graph is balanced. The proposed method achieves a mean accuracy of 0.856 +- 0.033 and mean Dice score of 0.702 +- 0.071 for LA scar quantification. Compared with the conventional methods, which are based on the manual delineation of LA for initialization, our method is fully automatic and has demonstrated significantly better Dice score and accuracy (p < 0.01). The method is promising and can be useful in diagnosis and prognosis of AF.

研究动机与目标

• 解决在低质量LGE-MRI扫描中实现自动化LA瘢痕定量的挑战。
• 消除先前方法中对人工LA分割初始化的依赖，该依赖是主要瓶颈。
• 通过深度学习提取多尺度纹理特征，提升分割精度。
• 通过在LA表面网格上使用MS-CNN学习空间自适应潜在能量，提升图割性能。
• 通过与人工勾画结果对比，验证方法优越性并证明其优于现有方法。

提出的方法

• 将左心房心内膜表面投影到三角形网格上，以表示瘢痕区域。
• 训练一个多尺度卷积神经网络（MS-CNN），基于局部和全局图像纹理预测图割框架中的节点潜在能量。
• 图割能量函数整合了t-link（数据项）和n-link（平滑项）项，其权重由MS-CNN学习得到。
• MS-CNN通过在多尺度上处理图像块，捕捉与瘢痕区域相关的分层纹理模式。
• 通过迭代条件模式（ICM）优化框架，获得最终分割结果。
• 该方法完全自动化，无需人工初始化或LA分割。

实验结果

研究问题

• RQ1 多尺度CNN是否能有效学习低质量LGE-MRI中LA瘢痕分割所需的图像纹理特征？
• RQ2 将MS-CNN预测的潜在能量整合到图割框架中，是否能相比传统方法提升分割性能？
• RQ3 在图割模型中平衡t-link与n-link权重在多大程度上影响瘢痕定量精度？
• RQ4 与基于人工初始化的方法相比，该完全自动化方法在Dice分数和精度方面表现如何？
• RQ5 该方法能否实现与临床瘢痕评估中观察者间变异水平相当的性能？

主要发现

• 该方法在58例患者扫描中，LA瘢痕定量的平均精度为0.856 ± 0.033，平均Dice分数为0.702 ± 0.071。
• 该方法显著优于依赖人工初始化的传统方法，Dice分数和精度均显著提升（p < 0.01）。
• 使用MS-CNN学习图割潜在能量，相比基线图割方法，显著提升了分割精度。
• 在图割模型中平衡t-link与n-link权重，进一步增强了分割性能。
• 结果与观察者间变异水平相当（精度：0.867，Dice：0.695），表明具有临床相关性。
• 该方法在心房颤动的自动化诊断与预后评估方面展现出强大潜力。