[论文解读] AtrialJSQnet: A New Framework for Joint Segmentation and Quantification of Left Atrium and Scars Incorporating Spatial and Shape Information

Lei Li, Veronika A. Zimmer+2 more|arXiv (Cornell University)|Aug 11, 2020

Advanced MRI Techniques and Applications参考文献 41被引用 5

一句话总结

AtrialJSQnet 是一种新颖的深度学习框架，通过整合空间信息和形状信息，联合完成延迟钆增强磁共振成像（LGE-MRI）中的左心房（LA）分割与瘢痕量化。它通过隐式表面投影实现形状注意力机制，并引入空间编码损失，以提升准确率和泛化能力，在消融术后、消融术前及多中心 LGE-MRI 数据集上均达到最先进性能。

ABSTRACT

Left atrial (LA) and atrial scar segmentation from late gadolinium enhanced magnetic resonance imaging (LGE MRI) is an important task in clinical practice. %, to guide ablation therapy and predict treatment results for atrial fibrillation (AF) patients. The automatic segmentation is however still challenging, due to the poor image quality, the various LA shapes, the thin wall, and the surrounding enhanced regions. Previous methods normally solved the two tasks independently and ignored the intrinsic spatial relationship between LA and scars. In this work, we develop a new framework, namely AtrialJSQnet, where LA segmentation, scar projection onto the LA surface, and scar quantification are performed simultaneously in an end-to-end style. We propose a mechanism of shape attention (SA) via an explicit surface projection, to utilize the inherent correlation between LA and LA scars. In specific, the SA scheme is embedded into a multi-task architecture to perform joint LA segmentation and scar quantification. Besides, a spatial encoding (SE) loss is introduced to incorporate continuous spatial information of the target, in order to reduce noisy patches in the predicted segmentation. We evaluated the proposed framework on 60 LGE MRIs from the MICCAI2018 LA challenge. Extensive experiments on a public dataset demonstrated the effect of the proposed AtrialJSQnet, which achieved competitive performance over the state-of-the-art. The relatedness between LA segmentation and scar quantification was explicitly explored and has shown significant performance improvements for both tasks. The code and results will be released publicly once the manuscript is accepted for publication via https://zmiclab.github.io/projects.html.

研究动机与目标

• 解决 LGE-MRI 中图像质量差、LA 形态可变、壁薄以及周围增强等挑战，实现自动 LA 与瘢痕分割。
• 通过在端到端框架中统一 LA 分割、瘢痕投影与瘢痕量化，克服独立分割与量化工作流的局限性。
• 通过形状注意力与空间编码，显式建模 LA 腔体与瘢痕之间的空间与形状关系。
• 评估模型在消融术前、消融术后及多中心 LGE-MRI 数据集上的泛化能力，解决临床 MRI 中的领域偏移问题。

提出的方法

• 提出一种多任务深度学习架构，同时执行 LA 分割、瘢痕在 LA 表面的投影以及瘢痕量化。
• 采用形状注意力（SA）机制，利用 LA 表面作为注意力掩码作用于预测的瘢痕概率图，无需显式壁分割即可有效将瘢痕投影至 LA 表面。
• 引入基于真实标签距离变换图（DTM）的空间编码（SE）损失，通过编码连续空间信息以减少噪声预测。
• 使用可微分的隐式表面投影，实现带有空间监督的端到端训练。
• 利用多尺度特征与类似残差 U-Net 的主干网络，从 LGE-MRI 中提取鲁棒特征。
• 通过联合优化端到端训练，使 LA 分割与瘢痕量化任务相互促进。

实验结果

研究问题

• RQ1 与独立处理相比，联合执行 LA 与瘢痕的分割与量化是否能提升性能？
• RQ2 通过表面投影实现的形状注意力在无需显式壁分割的情况下，能否有效提升瘢痕定位与量化效果？
• RQ3 空间编码损失在引入连续空间信息后，能在多大程度上提升分割的鲁棒性？
• RQ4 AtrialJSQnet 框架在不同扫描协议下（包括术前及多中心术后 LGE-MRI 数据）的泛化能力如何？
• RQ5 结合空间与形状先验是否能显著降低低对比度、几何形态多变的 LGE-MRI 中的噪声，并提升准确性？

主要发现

• AtrialJSQnet 在 LA 分割上达到平均 Dice 为 0.913，Hausdorff 距离为 20.0 mm，接近观察者间差异（Dice = 0.894，HD = 17.0 mm）。
• 在瘢痕量化上，准确率为 0.867，Dice 为 0.543，略低于观察者间一致性（准确率 = 0.891，Dice = 0.580）。
• 联合优化方案显著提升了 LA 分割与瘢痕量化性能，优于任务独立训练。
• 空间编码（SE）损失通过距离变换图引入连续空间监督，有效减少了分割输出中的噪声区域。
• 该模型展现出强大的领域泛化能力，在术前及多中心 LGE-MRI 数据集上即使存在分布偏移，仍保持优异性能。
• 形状注意力机制有效将瘢痕投影至 LA 表面，无需显式壁分割，同时保持了良好的空间保真度。