[论文解读] Learning Directional Feature Maps for Cardiac MRI Segmentation

Cheng Feng, Cheng Chen+6 more|arXiv (Cornell University)|Jul 22, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 16被引用 10

一句话总结

本文提出了一种新颖的心脏MRI分割方法，通过学习方向特征图来解决类别间相似性不足和类别内不一致性问题。该方法引入了方向场（DF）模块以建模像素级朝向组织边界的定向关系，并引入特征校正与融合（FRF）模块以优化分割特征，从而在ACDC和自采数据集上以极低的计算开销实现了最先进性能。

ABSTRACT

Cardiac MRI segmentation plays a crucial role in clinical diagnosis for evaluating personalized cardiac performance parameters. Due to the indistinct boundaries and heterogeneous intensity distributions in the cardiac MRI, most existing methods still suffer from two aspects of challenges: inter-class indistinction and intra-class inconsistency. To tackle these two problems, we propose a novel method to exploit the directional feature maps, which can simultaneously strengthen the differences between classes and the similarities within classes. Specifically, we perform cardiac segmentation and learn a direction field pointing away from the nearest cardiac tissue boundary to each pixel via a direction field (DF) module. Based on the learned direction field, we then propose a feature rectification and fusion (FRF) module to improve the original segmentation features, and obtain the final segmentation. The proposed modules are simple yet effective and can be flexibly added to any existing segmentation network without excessively increasing time and space complexity. We evaluate the proposed method on the 2017 MICCAI Automated Cardiac Diagnosis Challenge (ACDC) dataset and a large-scale self-collected dataset, showing good segmentation performance and robust generalization ability of the proposed method.

研究动机与目标

• 为解决心脏MRI分割中类别间相似性不足与类别内不一致性的问题，这些问题是准确描绘心肌结构的主要障碍。
• 在心脏MRI中普遍存在边界模糊与强度非均匀性的情况下，提升分割的鲁棒性。
• 开发一种轻量化、即插即用的模块，增强现有U-Net架构，而无需增加计算成本。
• 通过利用空间方向先验引导的改进特征表示，实现在多样化数据集上的更好泛化能力。
• 提供一种简单但高效的方法，在基准心脏MRI分割任务中超越现有最先进方法。

提出的方法

• 端到端训练一个方向场（DF）模块，用于为每个像素预测指向最近心脏组织边界方向的向量场。
• DF模块使用可学习的网络头，从特征图回归方向场，其监督信号来源于真实分割掩码。
• 特征校正与融合（FRF）模块利用预测的方向场，通过方向聚合重新加权并优化原始分割特征。
• FRF模块在N步内沿方向场执行可微的消息传递机制，实现迭代特征传播，增强空间一致性。
• DF与FRF模块插入到U-Net编码器-解码器之后，实现最小架构改动的即插即用集成。
• 整个框架采用标准交叉熵损失与Dice损失进行端到端训练，方向场监督信号来源于边界邻近度。

实验结果

研究问题

• RQ1 学习一个指向组织边界外侧的方向场是否能提升心脏MRI分割的准确性？
• RQ2 在组织边界附近，引入方向性特征优化是否能减少类别间相似性？
• RQ3 所提出的方法是否能在无需复杂架构重构的情况下缓解类别内不一致性？
• RQ4 与基线U-Net相比，该方法在不同数据集上的泛化能力如何？
• RQ5 在FRF模块中，为平衡性能与效率，最优传播步数是多少？

主要发现

• 在ACDC数据集上，所提方法的平均Dice系数达到0.916，显著优于基线U-Net（0.886）以及nnU-Net等最先进方法。
• 该方法将平均Hausdorff距离从U-Net的23.009 mm降低至6.693 mm，表明边界定位能力显著提升。
• 在自采数据集上，平均Dice从0.903提升至0.906，平均Hausdorff距离从3.155 mm降低至2.957 mm。
• 在跨数据集评估中，从ACDC迁移到自采数据集时，平均Dice从0.832提升至0.841，表明具有强大的泛化能力。
• 消融实验表明，FRF模块中N=5的传播步数表现最佳，Dice为0.916，Hausdorff距离为6.693 mm。
• 该方法在ACDC排行榜上取得第3名的竞争力结果，尽管结构简单，仍优于3D U-Net和基于网格的CNN等复杂模型。