[论文解读] Combating Uncertainty with Novel Losses for Automatic Left Atrium Segmentation

Xin Yang, Na Wang+5 more|arXiv (Cornell University)|Dec 14, 2018

Cardiac Valve Diseases and Treatments参考文献 14被引用 9

一句话总结

该论文提出一种结合复合损失函数的3D全卷积网络，以提升钆增强MR图像中左心房和肺静脉分割的性能。通过整合重叠损失（Overlap loss）与一种新型焦点正样本损失（Focal Positive loss），有效缓解边界模糊与前景分类敏感性问题，结合深度监督与递归优化，该方法在20个体素测试集上实现了92.24%的平均Dice分数。

ABSTRACT

Segmenting left atrium in MR volume holds great potentials in promoting the treatment of atrial fibrillation. However, the varying anatomies, artifacts and low contrasts among tissues hinder the advance of both manual and automated solutions. In this paper, we propose a fully-automated framework to segment left atrium in gadolinium-enhanced MR volumes. The region of left atrium is firstly automatically localized by a detection module. Our framework then originates with a customized 3D deep neural network to fully explore the spatial dependency in the region for segmentation. To alleviate the risk of low training efficiency and potential overfitting, we enhance our deep network with the transfer learning and deep supervision strategy. Main contribution of our network design lies in the composite loss function to combat the boundary ambiguity and hard examples. We firstly adopt the Overlap loss to encourage network reduce the overlap between the foreground and background and thus sharpen the predictions on boundary. We then propose a novel Focal Positive loss to guide the learning of voxel-specific threshold and emphasize the foreground to improve classification sensitivity. Further improvement is obtained with an recursive training scheme. With ablation studies, all the introduced modules prove to be effective. The proposed framework achieves an average Dice of 92.24 in segmenting left atrium with pulmonary veins on 20 testing volumes.

研究动机与目标

• 解决从GE-MR图像中分割左心房和肺静脉时面临的高解剖变异性、低组织对比度及边界模糊等挑战。
• 在因钆剂量差异导致的图像伪影与增强不一致条件下，提升分割精度。
• 开发一种完全自动化的框架，减少对手动勾画的依赖，提升结果的可重复性。
• 探究复合损失函数在提升心脏MRI分割中边界精度与前景敏感性方面的有效性。

提出的方法

• 基于Faster R-CNN的检测模块在2D切片中定位左心房感兴趣区域（ROI），随后将这些区域合并为3D包围框，以减少背景噪声。
• 采用定制化的3D U-Net架构，以捕捉局部ROI中的3D空间依赖性，结合迁移学习与深度监督，缓解过拟合并提升训练效率。
• 复合损失函数结合重叠损失，以最小化前景与背景概率图之间的交集，从而增强边界预测的清晰度。
• 提出一种新型焦点正样本损失，用于学习体素特定的阈值，提升对前景结构的分类敏感性。
• 采用递归优化方案（RRS）通过迭代方式利用强度图像与概率图对预测结果进行优化，实现逐轮精度提升。
• 采用滑动窗口推理结合重叠拼接与后处理（去除小的孤立组件）策略，实现全体积推理。

实验结果

研究问题

• RQ1 结合重叠损失与焦点正样本损失的复合损失函数是否能有效降低左心房分割中的边界模糊性？
• RQ2 深度监督与迁移学习的整合在低数据场景下如何提升训练稳定性和泛化能力？
• RQ3 递归优化在复杂心脏结构分割中能多大程度上提升分割精度？
• RQ4 与标准损失相比，所提出的焦点正样本损失是否能提升对小尺寸或低对比度左心房及肺静脉结构的敏感性？
• RQ5 框架中各组成部分（损失函数、RRS、监督机制）对最终分割性能的贡献程度如何？

主要发现

• 所提方法在20个体素独立测试集上实现了92.24%的平均Dice分数，显著优于基线交叉熵损失（82.015%）。
• 引入重叠损失后，Dice分数相较基线提升了约2.8个百分点，表明边界清晰度得到改善。
• 焦点正样本损失在重叠损失基线基础上进一步带来约2%的Dice分数提升，证明其对前景敏感性的增强效果。
• 采用两级递归优化（RRS2）使Dice分数相较单级优化进一步提升约1%，且在超过两级后收益递减。
• 概率图可视化显示，复合损失使前景预测更加清晰、模糊程度更低、定位更精确。
• 该方法实现了18.293 mm的豪斯多夫距离与1.490 mm的平均边界距离，表明其在空间精度与真实标注的一致性方面表现优异。