[论文解读] Automatic Segmentation of the Left Ventricle in Cardiac CT Angiography Using Convolutional Neural Network

Majd Zreik, Tim Leiner+4 more|arXiv (Cornell University)|Apr 19, 2017

Medical Imaging Techniques and Applications被引用 4

一句话总结

本文提出一种基于卷积神经网络（CNN）的两阶段深度学习方法，用于心脏CT血管造影（CCTA）中左心室（LV）的自动分割。首先，三个CNN分别在轴向、矢状面和冠状面检测LV的边界框；随后，一个体素级CNN对框内结构进行分类。该方法实现了0.85的平均Dice系数和1.1毫米的平均绝对表面距离，证明了其在临床应用中的高精度与可行性。

ABSTRACT

Accurate delineation of the left ventricle (LV) is an important step in evaluation of cardiac function. In this paper, we present an automatic method for segmentation of the LV in cardiac CT angiography (CCTA) scans. Segmentation is performed in two stages. First, a bounding box around the LV is detected using a combination of three convolutional neural networks (CNNs). Subsequently, to obtain the segmentation of the LV, voxel classification is performed within the defined bounding box using a CNN. The study included CCTA scans of sixty patients, fifty scans were used to train the CNNs for the LV localization, five scans were used to train LV segmentation and the remaining five scans were used for testing the method. Automatic segmentation resulted in the average Dice coefficient of 0.85 and mean absolute surface distance of 1.1 mm. The results demonstrate that automatic segmentation of the LV in CCTA scans using voxel classification with convolutional neural networks is feasible.

研究动机与目标

• 开发一种基于深度学习的全自动左心室分割方法，用于心脏CT血管造影（CCTA）扫描。
• 克服人工分割的局限性，包括耗时长和观察者间差异大。
• 利用端到端学习的CNN，消除人工特征工程，提升分割精度。
• 在包含心尖区域及复杂结构（如乳头肌）的多样化CCTA扫描上评估性能，确保临床相关性。

提出的方法

• 采用两阶段方法：首先，三个独立的CNN分别在轴向、矢状面和冠状面图像平面上检测左心室的存在，以定义一个边界框。
• 每个CNN处理其对应平面内的所有切片，以定位左心室，生成围绕该结构的3D边界框。
• 在定义的边界框内，一个专用的体素分类CNN分析以每个体素为中心的三个正交48×48图像块（轴向、矢状面、冠状面）。
• 体素分类器的输入由来自三个正交平面的图像块组成，从而提供多视角上下文信息，以实现精确的组织分类。
• 最终分割结果由CNN的Softmax输出层生成，基于学习到的特征将每个体素分类为左心室或非左心室。
• 该方法通过50例扫描进行定位训练，5例用于分割训练，5例用于测试，全程端到端训练，无需人工特征工程。

实验结果

研究问题

• RQ1 两阶段CNN框架能否实现CCTA扫描中左心室的高精度、高鲁棒性自动分割？
• RQ2 所提出的基于CNN的方法与专家观察者的人工分割相比，性能如何？
• RQ3 该方法能否有效分割心尖切片中的左心室，并排除乳头肌和肉柱等复杂结构？
• RQ4 与单平面分析相比，使用多平面图像块输入是否能提升体素分类的准确性？

主要发现

• 所提出方法在五例测试扫描中实现了0.85的平均Dice系数，表明与人工参考标注具有良好的重叠度。
• 自动分割与人工分割之间的平均绝对表面距离（MAD）为1.1毫米，反映出高几何精度。
• 第二名观察者的人工分割获得了更高的Dice系数（0.90）和更低的MAD（0.6毫米），表明当前方法仍有改进空间。
• 尽管乳头肌和肉柱的信号强度与左心室相似，该方法仍能成功将其排除，归因于多平面图像块提供的空间上下文信息。
• 在所有切片中性能保持一致，包括通常对分割方法具有挑战性的心尖区域。
• 该方法性能与先前最先进的方法（如基于图谱或活动轮廓的方法）相当，且在表面距离指标上表现相似或更优。