[论文解读] Automatic Right Ventricle Segmentation using Multi-Label Fusion in Cardiac MRI

María A. Zuluaga, M. Jorge Cardoso+1 more|arXiv (Cornell University)|Apr 5, 2020

Medical Image Segmentation Techniques参考文献 8被引用 24

一句话总结

本文提出了一种全自动的、从粗到精的多图谱分割方法，用于心脏MRI中的右心室（RV）分割，采用基于局部归一化互相关（LNCC）的图谱排序与迭代STAPLE融合的多标签融合。该方法在基底切片中实现了高分割精度（Dice = 0.93），但在心尖切片中因图像质量差和区域尺寸小而面临挑战，平均射血分数和心室质量误差分别为0.15和0.37。

ABSTRACT

Accurate segmentation of the right ventricle (RV) is a crucial step in the assessment of the ventricular structure and function. Yet, due to its complex anatomy and motion segmentation of the RV has not been as largely studied as the left ventricle. This paper presents a fully automatic method for the segmentation of the RV in cardiac magnetic resonance images (MRI). The method uses a coarse-to-fine segmentation strategy in combination with a multi-atlas propagation segmentation framework. Based on a cross correlation metric, our method selects the best atlases for propagation allowing the refinement of the segmentation at each iteration of the propagation. The proposed method was evaluated on 32 cardiac MRI datasets provided by the RV Segmentation Challenge in Cardiac MRI.

研究动机与目标

• 为解决由于右心室（RV）复杂解剖结构和运动特性导致的心脏MRI中缺乏鲁棒的全自动分割方法的问题。
• 通过基于图像相似性的动态图谱选择策略，利用多个图谱提升分割精度。
• 开发一种从粗到精的框架，通过逐步收紧的掩码增量式优化右心室分割。
• 基于右心室分割挑战赛数据集，采用图像级与患者级指标评估性能。
• 识别心尖切片分割中的局限性，并建议未来方向为3D扩展。

提出的方法

• 采用从粗到精的分割框架，首先通过块匹配与注册图谱标签的多数投票法实现全局心脏定位。
• 在第二阶段，对掩码图像区域应用刚性与非刚性配准以改善对齐，仅选择LNCC排序中前10%的最佳匹配图谱。
• 使用改进的STAPLE算法（STEPS）融合选定的图谱标签图像，该算法结合基于共识的感兴趣区域选择与迭代马尔可夫随机场，以提升标签融合效果。
• 在第三阶段，利用粗略分割结果初始化所有图谱标签的仿射变换，随后重新融合以进一步优化分割。
• 该方法采用基于强度的配准与标签融合，由于心脏MRI的切片厚度限制，重点采用2D逐切片处理。
• 最终分割通过Dice分数、Hausdorff距离以及患者级指标（如射血分数与心室质量）进行评估。

实验结果

研究问题

• RQ1 基于动态图谱选择的多图谱传播框架是否能提升心脏MRI中右心室分割的精度？
• RQ2 与单阶段融合相比，采用逐步掩码优化的从粗到精策略如何影响分割性能？
• RQ3 为何在基于强度的多图谱方法中，心尖切片的分割表现劣于基底切片？
• RQ4 心尖切片中图像质量差与区域尺寸小在多大程度上降低配准与融合性能？
• RQ5 3D配准与融合能否缓解在心脏MRI 2D处理中观察到的局限性？

主要发现

• 该方法在基底切片中实现了平均Dice分数0.93与Hausdorff距离4.31，表明分割精度较高。
• 在心尖切片中性能下降，Dice分数较低而Hausdorff距离较高，主要归因于图像质量差与区域尺寸小。
• 舒张末期（ED）与收缩末期（ES）心内膜容积的回归分析分别显示出0.96与0.97的高R²值，表明与真实值具有强相关性。
• 射血分数与心室质量估计误差较低，平均误差分别为0.15与0.37，表明在衍生功能指标上具有鲁棒性。
• 尽管心尖区域存在挑战，该方法在数据集上仍产生了稳定且可重复的结果，尤其在基底区域表现优异。
• 本研究指出2D逐切片配准是关键局限，建议未来采用3D处理以提升心尖分割性能。