[论文解读] Cardiac MRI Image Segmentation for Left Ventricle and Right Ventricle using Deep Learning

Bosung Seo, Daniel Augusto de Lima Mariano+7 more|arXiv (Cornell University)|Sep 17, 2019

COVID-19 diagnosis using AI参考文献 4被引用 5

一句话总结

本文提出了一种基于深度学习的端到端方法，用于在心脏MRI中自动分割左心室和右心室，采用2D和3D U-Net以及DenseNet架构。结果表明，基于多样化数据集训练的模型在不同心脏MRI数据集上具有良好的泛化能力，其中3D U-Net在跨数据集评估中表现最佳，尤其在MICCAI 2012 RV数据集上表现突出。

ABSTRACT

The goal of this project is to use magnetic resonance imaging (MRI) data to provide an end-to-end analytics pipeline for left and right ventricle (LV and RV) segmentation. Another aim of the project is to find a model that would be generalizable across medical imaging datasets. We utilized a variety of models, datasets, and tests to determine which one is well suited to this purpose. Specifically, we implemented three models (2-D U-Net, 3-D U-Net, and DenseNet), and evaluated them on four datasets (Automated Cardiac Diagnosis Challenge, MICCAI 2009 LV, Sunnybrook Cardiac Data, MICCAI 2012 RV). While maintaining a consistent preprocessing strategy, we tested the performance of each model when trained on data from the same dataset as the test data, and when trained on data from a different dataset than the test dataset. Data augmentation was also used to increase the adaptability of the models. The results were compared to determine performance and generalizability.

研究动机与目标

• 开发一种稳健的端到端深度学习流水线，用于心脏MRI中左心室和右心室的分割。
• 评估模型在不同机构和扫描协议下获取的多样化心脏MRI数据集之间的泛化能力。
• 在一致的预处理和数据增强条件下，比较2D U-Net、3D U-Net和DenseNet架构的性能表现。
• 确定在一种数据集上训练的模型是否能有效泛化到另一种数据集，从而实现更广泛的临床适用性。
• 识别适用于多器官、多数据集心脏分割的最优模型架构与训练策略。

提出的方法

• 实现了三种深度学习模型：2D U-Net、3D U-Net和DenseNet，用于左心室和右心室的心内膜与心外膜分割。
• 在所有数据集中应用一致的预处理流程，包括强度归一化和图像缩放。
• 采用数据增强技术（如旋转、翻转和弹性形变）以提升模型的鲁棒性与泛化能力。
• 在每个数据集上训练模型，并在相同数据集（域内）和不同数据集（零样本泛化）上进行评估。
• 使用标准指标评估性能，包括Dice相似系数（DSC）、Hausdorff距离（HD）和表面Dice系数。
• 采用跨数据集训练与推理，以评估模型在不同成像协议和解剖变异下的可迁移性与鲁棒性。

实验结果

研究问题

• RQ1 2D U-Net、3D U-Net和DenseNet在多个心脏MRI数据集上对左心室和右心室的分割表现如何？
• RQ2 在参数不同的采集协议和解剖特征各异的数据集上训练的模型，是否能有效泛化到另一数据集？
• RQ3 数据增强对模型在多样化心脏MRI数据集上泛化能力的影响如何？
• RQ4 哪种模型架构在不同数据集上实现了最高的分割准确率与鲁棒性？
• RQ5 3D U-Net在捕捉心室分割的空间上下文信息方面，与2D U-Net和DenseNet相比表现如何？

主要发现

• 3D U-Net在MICCAI 2012 RV数据集上取得了最高的平均Dice相似系数（DSC）0.92，优于2D U-Net和DenseNet。
• 跨数据集泛化效果良好：在某一数据集上训练的模型在未见数据集上平均DSC超过0.85，表明具有较强的可迁移性。
• 数据增强显著提升了模型的泛化能力，尤其在较小数据集（如MICCAI 2009 LV和Sunnybrook心脏数据集）上效果明显。
• 3D U-Net在右心室分割中表现更优，因其形态更复杂且可变性更高。
• 2D U-Net在左心室分割中表现良好，但因右心室形态复杂、纤薄且不规则，导致分割性能下降。
• DenseNet在部分数据集上取得了具有竞争力的结果，但在不同数据分布下的表现一致性不如U-Net变体。