[论文解读] Medical Image Analysis on Left Atrial LGE MRI for Atrial Fibrillation Studies: A Review

Lei Li, Veronika A. Zimmer+2 more|arXiv (Cornell University)|Jun 18, 2021

Atrial Fibrillation Management and Outcomes参考文献 83被引用 5

一句话总结

本综述系统评估了深度学习与医学影像计算方法在晚期钆增强磁共振成像（LGE-MRI）中左心房（LA）分割、瘢痕量化及消融间隙检测中的应用，以支持心房颤动（AF）的诊断与治疗。研究强调了数据驱动方法在LA腔室与瘢痕分析方面的潜力，同时指出了泛化能力、标注数据稀缺性以及多中心可重复性方面的关键挑战。

ABSTRACT

Late gadolinium enhancement magnetic resonance imaging (LGE MRI) is commonly used to visualize and quantify left atrial (LA) scars. The position and extent of scars provide important information of the pathophysiology and progression of atrial fibrillation (AF). Hence, LA scar segmentation and quantification from LGE MRI can be useful in computer-assisted diagnosis and treatment stratification of AF patients. Since manual delineation can be time-consuming and subject to intra- and inter-expert variability, automating this computing is highly desired, which nevertheless is still challenging and under-researched. This paper aims to provide a systematic review on computing methods for LA cavity, wall, scar and ablation gap segmentation and quantification from LGE MRI, and the related literature for AF studies. Specifically, we first summarize AF-related imaging techniques, particularly LGE MRI. Then, we review the methodologies of the four computing tasks in detail, and summarize the validation strategies applied in each task. Finally, the possible future developments are outlined, with a brief survey on the potential clinical applications of the aforementioned methods. The review shows that the research into this topic is still in early stages. Although several methods have been proposed, especially for LA segmentation, there is still large scope for further algorithmic developments due to performance issues related to the high variability of enhancement appearance and differences in image acquisition.

研究动机与目标

• 为心房颤动（AF）研究中左心房（LA）LGE-MRI的医学影像计算技术提供全面综述。
• 分析并比较现有方法在四项关键任务中的表现：LA腔室分割、LA壁分割与厚度测量、瘢痕分割与量化，以及消融间隙定位。
• 评估各类任务在公开数据集上的验证策略与最先进性能表现。
• 识别模型在不同中心、扫描仪及扫描协议间泛化能力的关键挑战。
• 概述自动化LGE-MRI分析在AF管理中的未来研究方向与潜在临床应用。

提出的方法

• 2010年至2023年期间，对左心房LGE-MRI计算领域内同行评审研究的系统性文献回顾，重点关注分割与量化任务。
• 按任务对方法进行分类：(1) LA腔室，(2) LA壁与厚度，(3) 瘫痕，(4) 消融间隙分割，重点聚焦深度学习与混合方法。
• 评估验证策略，包括与手动勾画结果的对比、Dice分数以及在公开数据集上的敏感性/特异性指标。
• 利用多中心与多扫描仪LGE-MRI数据，分析领域泛化问题，突出对比度与标注的变异性。
• 探索无监督领域自适应、少样本学习与稀疏标注等先进技术，以应对数据稀缺问题。
• 将任务间的空间关系（如壁厚与瘢痕全层性）整合为联合优化的潜在方向。

实验结果

研究问题

• RQ1 在AF研究中，LGE-MRI中左心房结构自动分割与量化任务的当前最先进方法是什么？
• RQ2 在多中心与多扫描仪设置下，不同LGE-MRI计算任务的性能指标与验证策略如何变化？
• RQ3 由于协议与影像外观的变异性，深度学习模型在不同影像中心与扫描设备间泛化面临的主要挑战是什么？
• RQ4 数据高效学习技术（如少样本学习、自监督学习、领域自适应）在有限标注LGE-MRI数据下，能在多大程度上提升模型鲁棒性？
• RQ5 通过联合建模相关任务（如壁厚与瘢痕全层性）能否提升诊断准确率与临床实用性？

主要发现

• 深度学习方法在LA腔室与瘢痕分割中表现出强劲性能，其在公开基准测试中的最先进Dice分数超过0.85。
• LA壁分割与厚度测量仍处于发展初期，受限于心房壁薄且结构复杂，以及解剖变异大，方法进展有限。
• 消融间隙量化尤其具有挑战性，原因在于肺静脉形态高度可变，且对瘢痕分割误差高度敏感。
• 由于缺乏标准化的LGE-MRI采集协议，模型在不同中心与扫描仪间性能显著下降，表明领域泛化能力差。
• 在单中心数据上训练的当前模型在外部数据集上表现出有限的鲁棒性，凸显了多中心验证与领域泛化技术的必要性。
• 稀疏标注与无监督领域自适应是减少对大规模人工标注依赖的有前景策略，但在LA LGE-MRI分析中仍处于探索阶段。