[论文解读] Cardiac Segmentation from LGE MRI Using Deep Neural Network Incorporating Shape and Spatial Priors

Yue Qian, Xinzhe Luo+3 more|arXiv (Cornell University)|Jun 18, 2019

Advanced MRI Techniques and Applications参考文献 15被引用 10

一句话总结

本文提出SRSCN，一种用于晚期钆增强MRI（LGE-MRI）中自动心脏分割的深度学习框架，通过形状重建网络（SRNN）和空间约束网络（SCN）整合形状和空间先验。该方法在心肌分割中取得了0.758（标准差=0.227）的Dice分数，优于最先进的正则化方法，并接近观察者间变异性的水平（0.757，标准差=0.083）。

ABSTRACT

Cardiac segmentation from late gadolinium enhancement MRI is an important task in clinics to identify and evaluate the infarction of myocardium. The automatic segmentation is however still challenging, due to the heterogeneous intensity distributions and indistinct boundaries in the images. In this paper, we propose a new method, based on deep neural networks (DNN), for fully automatic segmentation. The proposed network, referred to as SRSCN, comprises a shape reconstruction neural network (SRNN) and a spatial constraint network (SCN). SRNN aims to maintain a realistic shape of the resulting segmentation. It can be pre-trained by a set of label images, and then be embedded into a unified loss function as a regularization term. Hence, no manually designed feature is needed. Furthermore, SCN incorporates the spatial information of the 2D slices. It is formulated and trained with the segmentation network via the multi-task learning strategy. We evaluated the proposed method using 45 patients and compared with two state-of-the-art regularization schemes, i.e., the anatomically constraint neural network and the adversarial neural network. The results show that the proposed SRSCN outperformed the conventional schemes, and obtained a Dice score of 0.758(std=0.227) for myocardial segmentation, which compares with 0.757(std=0.083) from the inter-observer variations.

研究动机与目标

• 为解决由于组织信号强度异质性和边界不清晰导致的LGE-MRI中自动心脏分割的挑战。
• 通过将形状和空间先验直接嵌入深度学习框架，减少对手动设计特征的依赖。
• 通过引入解剖学真实性和2D心脏短轴切片间的空间一致性，提升分割精度。
• 在分割性能上超越现有正则化技术，如解剖约束和对抗性网络。
• 开发一种统一的深度学习架构，利用多任务学习实现分割与先验约束的联合优化。

提出的方法

• SRSCN框架结合了形状重建神经网络（SRNN），通过在标注数据上进行预训练，将真实心肌形状保持能力作为损失函数中的正则化项。
• 引入空间约束网络（SCN）以建模2D心脏短轴切片之间的空间关系，增强解剖学合理性。
• SRNN与SCN与分割网络通过多任务学习策略联合训练，实现端到端优化。
• 通过SRNN输出生成的损失项嵌入形状先验，惩罚不合理的形状，而无需手工设计特征。
• 通过建模相邻切片之间的空间上下文，强制实现空间一致性，提升分割的鲁棒性。
• 该方法在包含45例LGE-MRI扫描患者的数据库上进行训练和评估，以Dice分数为主要评价指标。

实验结果

研究问题

• RQ1 整合形状和空间先验的深度学习框架是否能提升LGE-MRI中自动心脏分割的准确性？
• RQ2 所提出的SRSCN方法与最先进的正则化技术（如解剖约束网络和对抗性网络）相比表现如何？
• RQ3 预训练形状先验的整合在多大程度上减少了心脏分割中对手动特征工程的需求？
• RQ4 在2D切片间整合空间约束是否能增强分割的一致性和解剖学合理性？
• RQ5 所提出的方法是否能达到临床实践中与观察者间变异性相当的分割性能？

主要发现

• 所提出的SRSCN方法在45例患者的测试集中，心肌分割的Dice得分为0.758（标准差=0.227）。
• SRSCN的性能与观察者间变异性的测量值（0.757，标准差=0.083）相当，表明其具有高度的临床相关性。
• SRSCN在相同数据集上优于两种最先进的正则化方案——即解剖约束神经网络和对抗性神经网络。
• 形状和空间先验的整合显著提升了分割精度和解剖学合理性，尤其在组织对比度较低的区域表现更优。
• 该方法在LGE-MRI扫描中典型的多变图像强度和边界条件下表现出良好的鲁棒性。
• 消融实验确认，形状重建和空间约束两个组件均对最终性能有显著贡献，联合模型表现最佳。