[论文解读] Left Ventricle Segmentation via Optical-Flow-Net from Short-axis Cine MRI: Preserving the Temporal Coherence of Cardiac Motion

Wenjun Yan, Yuanyuan Wang+3 more|arXiv (Cornell University)|Oct 20, 2018

Medical Image Segmentation Techniques参考文献 6被引用 3

一句话总结

该论文提出了一种基于U-Net的深度学习框架，通过整合光流估计以在短轴位cine MRI左心室（LV）分割中保持时间一致性。通过在特征层面融合光流特征，该方法提高了分割精度和时间一致性——在Cardiac Atlas数据集上实现了95%的Dice分数和0.9像素的平均垂直距离，优于标准U-Net。

ABSTRACT

Quantitative assessment of left ventricle (LV) function from cine MRI has significant diagnostic and prognostic value for cardiovascular disease patients. The temporal movement of LV provides essential information on the contracting/relaxing pattern of heart, which is keenly evaluated by clinical experts in clinical practice. Inspired by the expert way of viewing Cine MRI, we propose a new CNN module that is able to incorporate the temporal information into LV segmentation from cine MRI. In the proposed CNN, the optical flow (OF) between neighboring frames is integrated and aggregated at feature level, such that temporal coherence in cardiac motion can be taken into account during segmentation. The proposed module is integrated into the U-net architecture without need of additional training. Furthermore, dilated convolution is introduced to improve the spatial accuracy of segmentation. Trained and tested on the Cardiac Atlas database, the proposed network resulted in a Dice index of 95% and an average perpendicular distance of 0.9 pixels for the middle LV contour, significantly outperforming the original U-net that processes each frame individually. Notably, the proposed method improved the temporal coherence of LV segmentation results, especially at the LV apex and base where the cardiac motion is difficult to follow.

研究动机与目标

• 通过利用心脏运动的时间动态特性，提高cine MRI中左心室分割的准确性。
• 解决帧独立分割方法忽略心脏运动时间一致性的局限性。
• 提高在左心室心尖和心底部等复杂区域的分割鲁棒性，这些区域的运动难以追踪。
• 在不增加额外训练或改变网络架构的前提下，将光流集成到U-Net架构中。
• 通过空洞卷积提高空间精度，以实现更精确的轮廓定位。

提出的方法

• 该方法引入一种新型CNN模块，用于计算相邻cine MRI帧之间的光流，以捕捉时间运动模式。
• 光流特征在U-Net编码器-解码器架构内于特征层面聚合，以提供时间上下文指导分割。
• 光流模块具有可微性，并端到端集成，支持光流与分割的联合优化。
• 在解码器中应用空洞卷积，以扩大感受野并提高分割掩膜的空间分辨率。
• 模型在Cardiac Atlas数据库上使用标准交叉熵损失结合Dice优化目标进行端到端训练。
• 推理过程中无需额外训练；网络作为即插即用模块集成到标准U-Net中。

实验结果

研究问题

• RQ1 光流集成是否能改善cine MRI中左心室分割的时间一致性？
• RQ2 结合帧间运动动态是否能相比逐帧处理获得更高的分割精度？
• RQ3 该方法在左心室心尖和心底部等解剖难点区域表现如何？
• RQ4 是否能在不增加模型复杂度或额外训练的前提下保持时间一致性？
• RQ5 空洞卷积在多大程度上提升了左心室轮廓检测的空间精度？

主要发现

• 所提方法在左心室中部轮廓上实现了95%的Dice分数，显著优于标准U-Net。
• 平均垂直距离降低至0.9像素，表明轮廓精度较高。
• 分割结果的时间一致性得到显著改善，尤其在运动复杂的左心室心尖和心底部区域。
• 该方法在无需额外训练或架构变更的情况下保持了高性能。
• 在特征层面集成光流增强了运动建模能力，同时保留了空间细节。
• 空洞卷积的使用有助于提升空间分辨率和轮廓精度。