[论文解读] Fully Automated Segmentation of the Left Ventricle in Magnetic Resonance Images.

Zihao Wang, Zhenzhou Wang|arXiv (Cornell University)|Jul 21, 2020

Medical Image Segmentation Techniques参考文献 32被引用 7

一句话总结

本文提出了一种基于斜率差分布（SDD）阈值选择的完全自动化心脏MRI左心室分割方法，在ACDC测试集上实现了95.44%的DICE分数——超越了两种最先进的卷积神经网络（CNN）模型的复现结果（90.28%和87.13%），并优于已发表的基准性能。该方法具有鲁棒性、可复现性，并以MATLAB代码形式开源。

ABSTRACT

Automatic and robust segmentation of the left ventricle (LV) in magnetic resonance images (MRI) has remained challenging for many decades. With the great success of deep learning in object detection and classification, the research focus of LV segmentation has changed to convolutional neural network (CNN) in recent years. However, LV segmentation is a pixel-level classification problem and its categories are intractable compared to object detection and classification. Although lots of CNN based methods have been proposed for LV segmentation, no robust and reproducible results are achieved yet. In this paper, we try to reproduce the CNN based LV segmentation methods with their disclosed codes and trained CNN models. Not surprisingly, the reproduced results are significantly worse than their claimed accuracies. We also proposed a fully automated LV segmentation method based on slope difference distribution (SDD) threshold selection to compare with the reproduced CNN methods. The proposed method achieved 95.44% DICE score on the test set of automated cardiac diagnosis challenge (ACDC) while the two compared CNN methods achieved 90.28% and 87.13% DICE scores. Our achieved accuracy is also higher than the best accuracy reported in the published literatures. The MATLAB codes of our proposed method are freely available on line.

研究动机与目标

• 为解决心脏MRI中左心室（LV）分割的鲁棒性和可复现性这一长期挑战。
• 探究为何报告的基于深度学习的左心室分割方法在使用公开模型和代码重新实现时无法复现其宣称的性能。
• 开发一种完全自动化、可复现且高精度的左心室分割方法，作为深度学习方法的可靠替代方案。
• 在分割精度上超越现有的基于CNN的方法和已发表文献的结果。

提出的方法

• 该方法采用斜率差分布（SDD）阈值选择，自动识别左心室的心内膜和心外膜边界。
• SDD分析应用于左心室壁的灰度强度剖面，以检测血池、心内膜和心肌之间的特征性过渡。
• 该算法利用基于梯度的斜率差，定位分割的最优阈值，无需人工初始化或模型微调。
• 该方法完全自动化，无需用户输入或预训练的深度学习模型。
• 它利用短轴心脏MRI切片中的灰度分布模式，实现在不同患者扫描中的一致性分割。
• 基于SDD的方法的MATLAB代码已公开发布，以确保可复现性并供社区使用。

实验结果

研究问题

• RQ1 为何许多基于深度学习的左心室分割方法在使用公开模型和代码重新实现时，其性能无法复现？
• RQ2 非深度学习的、基于强度的方法是否能在ACDC数据集上实现优于最先进CNN模型的分割精度？
• RQ3 SDD阈值方法是否在无需模型微调的情况下，对多样化的心脏MRI扫描具有鲁棒性和泛化能力？
• RQ4 在DICE分数方面，该方法与复现的CNN模型及已发表文献相比，其定量表现如何？
• RQ5 完全自动化、非学习型的方法是否能在左心室分割中超越基于学习的方法？

主要发现

• 所提出的基于SDD的方法在ACDC测试集上实现了95.44%的DICE分数，显著优于两个复现的CNN模型（90.28%和87.13%）。
• SDD方法超越了已发表文献中关于ACDC数据集左心室分割的最佳报告精度。
• 复现的CNN模型始终未能达到其原始报告结果，表明基于深度学习的左心室分割存在较差的可复现性。
• SDD方法完全自动化，无需超参数调优或模型微调，且计算效率高。
• SDD方法的MATLAB实现已公开，可实现完全可复现性，并促进社区采纳。
• 结果表明，与当前基于CNN的方法相比，非深度学习的、基于强度的方法在左心室分割中可实现更优的性能和更高的可靠性。