[论文解读] Joint Left Atrial Segmentation and Scar Quantification Based on a DNN with Spatial Encoding and Shape Attention

Lei Li, Xin Weng+2 more|arXiv (Cornell University)|Jun 23, 2020

Atrial Fibrillation Management and Outcomes参考文献 12被引用 4

一句话总结

本文提出了一种端到端的深度学习框架 MTL-SESA，联合分割左心房（LA）并量化晚期钆增强磁共振成像（LGE-MRI）中的纤维化瘢痕。通过在符号距离变换图中引入空间编码损失，并通过表面投影实现形状注意力机制，该方法减少了分割噪声，提升了对小而离散瘢痕的检测能力，在60例患者扫描中，性能优于基线方法和当前最先进方法。

ABSTRACT

We propose an end-to-end deep neural network (DNN) which can simultaneously segment the left atrial (LA) cavity and quantify LA scars. The framework incorporates the continuous spatial information of the target by introducing a spatially encoded (SE) loss based on the distance transform map. Compared to conventional binary label based loss, the proposed SE loss can reduce noisy patches in the resulting segmentation, which is commonly seen for deep learning-based methods. To fully utilize the inherent spatial relationship between LA and LA scars, we further propose a shape attention (SA) mechanism through an explicit surface projection to build an end-to-end-trainable model. Specifically, the SA scheme is embedded into a two-task network to perform the joint LA segmentation and scar quantification. Moreover, the proposed method can alleviate the severe class-imbalance problem when detecting small and discrete targets like scars. We evaluated the proposed framework on 60 LGE MRI data from the MICCAI2018 LA challenge. For LA segmentation, the proposed method reduced the mean Hausdorff distance from 36.4 mm to 20.0 mm compared to the 3D basic U-Net using the binary cross-entropy loss. For scar quantification, the method was compared with the results or algorithms reported in the literature and demonstrated better performance.

研究动机与目标

• 解决基于深度学习的左心房（LA）和瘢痕分割中噪声大、易受异常值影响的问题。
• 通过利用空间和形状先验，提升对小而离散纤维化区域的瘢痕量化精度。
• 开发一种可端到端训练的多任务网络，联合优化左心房分割与瘢痕检测。
• 减少对传统瘢痕量化方法中常见的手动初始化或后处理步骤的依赖。
• 通过在损失函数中引入空间和结构约束，缓解瘢痕检测中的类别不平衡问题。

提出的方法

• 提出一种基于符号距离变换图（DTM）的空间编码（SE）损失，用于正则化左心房分割，减少边界模糊和噪声区域。
• 通过距离概率图将SE损失应用于左心房和瘢痕预测任务，增强预测结果的空间一致性。
• 采用形状注意力（SA）机制，将左心房边界投影为空间掩码，以指导瘢痕预测，显式建模左心房与瘢痕之间的解剖关系。
• 设计一种具有两个解码器的多任务学习（MTL）U-Net架构——一个用于左心房分割，一个用于瘢痕量化——实现端到端训练。
• 使用符号DTM定义为 φ(xi) = -d^β（左心房内部），0（边界上），d^β（外部），实验中 β=1。
• 实施表面投影策略以嵌入SA模块，确保瘢痕预测在空间上被限制在左心房壁表面。

实验结果

研究问题

• RQ1 基于距离变换图的空间编码损失是否能通过减少噪声和不连通区域，提升基于深度学习的左心房分割质量？
• RQ2 通过表面投影整合形状注意力后，是否能增强对小而离散的左心房瘢痕的检测能力？
• RQ3 与传统损失函数（如BCE、Dice）相比，结合SE和SA损失的联合多任务学习框架是否在左心房分割和瘢痕量化任务中表现更优？
• RQ4 与基线深度学习方法相比，该方法在多大程度上减轻了瘢痕检测中的类别不平衡问题？
• RQ5 该端到端框架是否能消除瘢痕量化中对手动初始化或独立后处理步骤的需求？

主要发现

• 所提出的MTL-SESA方法将左心房分割的平均豪斯多夫距离从36.4 mm（使用BCE损失的3D U-Net）降低至20.0 mm，显著提升了边界精度。
• SE损失通过减少噪声区域和异常值，提升了分割质量，即使Dice分数相似，豪斯多夫距离的改善也具有统计学显著性（p < 0.001）。
• 该方法在瘢痕量化中取得了0.867 ± 0.032的Dice分数，优于所有对比方法，包括Otsu、MGMM、LearnGC以及使用BCE或Dice损失的U-Net（p ≤ 0.001）。
• 同时引入SE和SA损失后，对小而离散瘢痕的检测效果更优，3D重建结果中可直观确认，瘢痕图更加平滑且解剖学上更合理。
• 该方法性能与观察者间差异水平相当（观察者间Dice：0.891 ± 0.017），表明其具有高度可靠性。
• 尽管Accuracy和G-Dice在引入SE/SA后略有下降，但Dice和豪斯多夫距离的总体改善证实了该方法的鲁棒性与临床相关性。