[论文解读] Left ventricle quantification through spatio-temporal CNNs

Alejandro Debus, Enzo Ferrante|arXiv (Cornell University)|Aug 23, 2018

Advanced MRI Techniques and Applications参考文献 1被引用 5

一句话总结

该论文提出一种3D时空卷积神经网络（CNN），通过处理时间上相邻的心脏MR切片，直接回归左心室（LV）量化指标——如心腔和心肌面积、尺寸、壁厚及心脏相位，从而利用时间动态特性提升精度。该方法在性能上达到当前最先进水平，尤其将心脏相位估计误差从先前基于RNN模型的8.2%降低至3.85%。

ABSTRACT

Cardiovascular diseases are among the leading causes of death globally. Cardiac left ventricle (LV) quantification is known to be one of the most important tasks for the identification and diagnosis of such pathologies. In this paper, we propose a deep learning method that incorporates 3D spatio-temporal convolutions to perform direct left ventricle quantification from cardiac MR sequences. Instead of analysing slices independently, we process stacks of temporally adjacent slices by means of 3D convolutional kernels which fuse the spatio-temporal information, incorporating the temporal dynamics of the heart to the learned model. We show that incorporating such information by means of spatio-temporal convolutions into standard LV quantification architectures improves the accuracy of the predictions when compared with single-slice models, achieving competitive results for all cardiac indices and significantly breaking the state of the art (Xue et al., 2018, MedIA) for cardiac phase estimation.

研究动机与目标

• 通过整合心脏的时间动态特性，提升心脏MR中左心室量化精度。
• 解决单切片模型在左心室指标预测中忽略时间上下文的局限性。
• 用更简单的3D卷积结构替代复杂的基于RNN的架构，以提升效率与性能。
• 直接从MR序列回归心脏指标，无需中间分割步骤。

提出的方法

• 该模型采用双分支CNN架构：编码器-CNN使用5×5卷积核进行单切片特征提取，随后通过3D时空卷积融合空间与时间信息。
• 时空卷积作用于由κ个时间上连续切片堆叠形成的3D体积，使用3×5×5和2×5×5的3D卷积核（κ=5）。
• 编码器与时空模块中均采用ReLU激活函数和批量归一化，以稳定训练过程。
• 采用两个并行回归分支：一个用于连续指标（尺寸、壁厚、面积），另一个先通过3D卷积再接两层MLP，用于二值化心脏相位分类。
• 采用循环数据增强策略，将序列的首尾切片视为时间上相邻，以增强泛化能力。
• 模型在LVQuan Challenge 2018数据集上采用5折交叉验证进行训练与验证，使用标准指标（MAE、PCC、误差率）评估。

实验结果

研究问题

• RQ1 通过3D时空卷积整合时间动态特性，是否能提升相比单切片模型的直接左心室指标回归精度？
• RQ2 基于3D CNN的方法是否在心脏相位估计上优于基于RNN的模型，同时保持其他指标的性能？
• RQ3 为实现有效的时空特征学习，应包含多少张时间上相邻的切片（κ）为最佳？
• RQ4 更简单的3D CNN架构是否能在无需复杂多任务学习或循环组件的情况下实现最先进性能？

主要发现

• 所提出的时空CNN在心脏相位估计上达到3.85%的误差率，显著优于先前最先进水平（8.2%），在LVQuan Challenge 2018数据集上表现优异。
• 对于左心室心腔和心肌面积预测，模型分别实现平均绝对误差（MAE）190±110 mm²和199±138 mm²，皮尔逊相关系数（PCC）均高于0.93。
• 方向性尺寸预测的MAE为2.29±1.59 mm，PCC达0.960，表明在几何测量上具有高精度。
• 区域壁厚预测的平均MAE为1.42±0.65 mm，PCC为0.819，表明在细粒度结构指标上表现强劲。
• 使用κ=5张切片时性能最优，κ=7时结果相近但无显著提升，表明在此深度已充分捕获时间上下文信息。
• 该方法以比以往工作更简单的架构实现最先进性能，用高效的3D卷积替代了复杂的RNN与贝叶斯多任务学习结构。