[论文解读] AtrialGeneral: Domain Generalization for Left Atrial Segmentation of Multi-Center LGE MRIs

Lei Li, Veronika A. Zimmer+2 more|arXiv (Cornell University)|Jun 16, 2021

Cardiac Valve Diseases and Treatments参考文献 17被引用 4

一句话总结

本论文提出AtrialGeneral，一种用于多中心延迟钆增强磁共振成像（LGE-MRI）左心房（LA）分割的领域泛化框架，解决了因扫描仪和中心之间存在领域偏移而导致的性能下降问题。该研究评估了三种领域泛化策略——直方图匹配、基于互信息的解缠表示和随机风格迁移，发现简单的直方图匹配表现最佳，将未见领域的Dice分数从0.678提升至0.772。

ABSTRACT

Left atrial (LA) segmentation from late gadolinium enhanced magnetic resonance imaging (LGE MRI) is a crucial step needed for planning the treatment of atrial fibrillation. However, automatic LA segmentation from LGE MRI is still challenging, due to the poor image quality, high variability in LA shapes, and unclear LA boundary. Though deep learning-based methods can provide promising LA segmentation results, they often generalize poorly to unseen domains, such as data from different scanners and/or sites. In this work, we collect 210 LGE MRIs from different centers with different levels of image quality. To evaluate the domain generalization ability of models on the LA segmentation task, we employ four commonly used semantic segmentation networks for the LA segmentation from multi-center LGE MRIs. Besides, we investigate three domain generalization strategies, i.e., histogram matching, mutual information based disentangled representation, and random style transfer, where a simple histogram matching is proved to be most effective.

研究动机与目标

• 评估深度学习模型在多中心LGE-MRI中用于左心房分割的领域泛化性能。
• 探究领域泛化策略是否能够缓解因不同扫描仪和影像中心之间存在领域偏移而导致的性能下降问题。
• 比较三种领域泛化技术——直方图匹配、基于互信息的解缠表示和随机风格迁移——在LGE-MRI中左心房分割中的有效性。
• 分析分割性能在术前与术后LGE-MRI扫描之间的差异。
• 识别适用于多中心LGE-MRI应用临床部署中最有效且实用的领域泛化方法。

提出的方法

• 本研究采用四种基于U-Net的标准分割模型：U-Net、U-Net++、DeepLab v3+ 和 MAnet，所有模型均在多中心LGE-MRI数据上进行训练。
• 在训练过程中应用领域泛化，采用三种策略：直方图匹配（HM）、基于互信息的解缠表示（MID）和随机风格迁移（RST）。
• 直方图匹配通过将目标领域图像的强度分布对齐至源领域分布，减少领域偏移，且无需重新训练模型。
• 基于互信息的解缠表示旨在通过分离内容与领域特定表示，学习领域不变特征。
• 随机风格迁移通过在训练期间随机将源领域的风格统计信息转移到目标图像，实现数据增强。
• 模型在来自不同中心和扫描类型（术前与术后）的未见领域上，使用Dice分数、平均表面距离（ASD）和豪斯多夫距离（HD）进行评估。

实验结果

研究问题

• RQ1 当在不同中心和扫描仪的未见领域上测试时，标准深度学习分割模型在左心房分割中的表现如何？
• RQ2 在多中心LGE-MRI中，哪种领域泛化策略——直方图匹配、基于互信息的解缠，还是随机风格迁移——在左心房分割中表现出最佳泛化性能？
• RQ3 术前与术后LGE-MRI扫描在左心房分割模型中是否存在显著的性能差异？
• RQ4 使用领域泛化策略是否能提升在多样化成像协议和扫描仪厂商之间的分割鲁棒性？
• RQ5 为何在此临床场景中，简单的直方图匹配优于更复杂的领域泛化方法？

主要发现

• 所有四种基线分割模型（U-Net、U-Net++、DeepLab v3+、MAnet）在未见领域上均表现出显著的性能下降，Dice分数从约0.68降至约0.77，应用领域泛化后有所改善。
• 直方图匹配在未见领域的测试集中取得了最高的Dice分数0.772 ± 0.089，显著优于MID-Net（0.741 ± 0.064）和RST-Net（0.756 ± 0.090）。
• 直方图匹配将豪斯多夫距离从基线的42.7 ± 8.62 mm降低至26.5 ± 5.30 mm，表明在未见数据上的边界定位能力得到改善。
• 平均表面距离（ASD）从基线的6.19 ± 1.65 mm降低至3.76 ± 1.04 mm，表明表面精度得到提升。
• MID-Net与RST-Net的Dice表现相近，但ASD与HD值劣于直方图匹配，表明其边界预测更不鲁棒。
• 术前LGE-MRI上的分割性能更一致，Dice与HD的偏差更小，表明相比术后扫描，其鲁棒性更强。