[论文解读] Deep Poincare Map For Robust Medical Image Segmentation.

Yuanhan Mo, Fangde Liu+4 more|arXiv (Cornell University)|Mar 27, 2017

Medical Image Segmentation Techniques被引用 2

一句话总结

本文提出了一种基于深度庞加莱图的迭代分割方法，用于心脏MRI中的左心室（LV）分割，利用策略网络通过利用庞加莱图中的幅值差异作为停止准则，引导智能体沿LV边界移动。该方法在SCD和STACOM 2011数据集上实现了最先进性能，并展现出从SCD到STACOM的强零样本迁移能力。

ABSTRACT

Precise segmentation of the left ventricle (LV) within cardiac MRI images is a prerequisite for the quantitative measurement of heart function. However, this task is challenging due to the limited availability of labeled data and motion artifacts from cardiac imaging. In this work, we present an iterative segmentation algorithm for LV delineation. By coupling deep learning with a novel dynamic-based labeling scheme, we present a new methodology where a policy model is learned to guide an agent to travel over the the image, tracing out a boundary of the ROI -- using the magnitude difference of the Poincare map as a stopping criterion. Our method is evaluated on two datasets, namely the Sunnybrook Cardiac Dataset (SCD) and data from the STACOM 2011 LV segmentation challenge. Our method outperforms the previous research over many metrics. In order to demonstrate the transferability of our method we present encouraging results over the STACOM 2011 data, when using a model trained on the SCD dataset.

研究动机与目标

• 解决在标注数据有限和运动伪影存在的情况下，心脏MRI中精确左心室分割的挑战。
• 开发一种数据高效型分割方法，减少对大规模标注数据集的依赖。
• 提出一种新颖的基于动态的标签方案，通过策略模型实现代替边界的迭代追踪。
• 提升分割在多样化心脏MRI数据集上的鲁棒性和泛化能力。
• 证明在某一数据集上训练的模型可迁移至另一数据集（如从SCD到STACOM 2011）的能力。

提出的方法

• 通过深度强化学习训练策略模型，引导智能体逐步沿LV边界移动。
• 从图像块计算庞加莱图，以捕捉局部动力学并检测边界过渡。
• 利用庞加莱图的幅值差异作为动态停止准则，判断智能体是否已到达边界末端。
• 在训练过程中动态更新标签方案，使智能体能够从不断演化的边界表征中学习。
• 采用深度神经网络编码图像特征，并指导智能体在图像中的移动。
• 通过迭代过程沿边界移动，直至满足基于庞加莱图幅值差异的停止准则。

实验结果

研究问题

• RQ1 基于庞加莱图的动态图像特征，深度强化学习智能体能否有效追踪左心室边界？
• RQ2 所提出的动态标签方案在标注数据有限的情况下，如何提升分割性能？
• RQ3 在Sunnybrook心脏数据集上训练的模型，在未微调的情况下，能在多大程度上泛化到STACOM 2011数据集？
• RQ4 将庞加莱图幅值差异用作停止准则，是否能提升边界检测的准确性？
• RQ5 该方法是否能在多个基准数据集上实现左心室分割的最先进性能？

主要发现

• 所提出方法在Sunnybrook心脏数据集和STACOM 2011左心室分割挑战赛中，多个评估指标上均优于以往最先进方法。
• 在SCD数据集上训练的模型能有效泛化到STACOM 2011数据集，展现出强零样本迁移能力。
• 将庞加莱图幅值差异用作停止准则，可提高边界检测的精度并减少分割误差。
• 动态标签方案使在有限标注数据下实现有效学习成为可能，显著提升数据效率。
• 该方法在存在运动伪影和低对比度区域的心脏MRI扫描中，仍能实现鲁棒的分割性能。