[论文解读] Multi-Scale Fully Convolutional Network for Cardiac Left Ventricle Segmentation

Han Sung Kang, Defeng Chen|arXiv (Cornell University)|Sep 19, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 11被引用 3

一句话总结

本文提出MS-FCN，一种用于心脏左心室分割的多尺度全卷积网络，通过引入多尺度池化模块以增强上下文特征提取，并采用密集连接解码器以细化边界细节。在Sunnybrook cine-MR数据集上，其Dice分数达到0.93（内膜）和0.96（外膜），性能达到当前最先进水平。

ABSTRACT

The morphological structure of left ventricle segmented from cardiac magnetic resonance images can be used to calculate key clinical parameters, and it is of great significance to the accurate and efficient diagnosis of cardiovascular diseases. Compared with traditional methods, the segmentation algorithms based on fully convolutional neural network greatly improve the accuracy of semantic segmentation. For the problem of left ventricular segmentation, a new fully convolutional neural network structure named MS-FCN is proposed in this paper. The MS-FCN network employs a multi-scale pooling module to ensure that the network maximises the feature extraction ability and uses a dense connectivity decoder to refine the boundaries of the object. Based on the Sunnybrook cine-MR dataset provided by the MICCAI 2009 challenge, numerical experiments demonstrate that our proposed model has obtained state-of-the-art segmentation results: the Dice score of our method reaches 0.93 on the endocardium, and 0.96 on the epicardium.

研究动机与目标

• 为解决心脏磁共振成像中左心室精准且高效分割的挑战，该挑战对心血管疾病诊断至关重要。
• 克服传统人工分割方法耗时且易受观察者间差异影响的局限性。
• 通过增强深度学习方法中的特征提取与边界细化，提升语义分割性能。
• 在基准Sunnybrook cine-MR数据集上实现左心室分割的最先进结果。
• 验证多尺度池化与密集连接在全卷积编码器-解码器架构中的有效性。

提出的方法

• 网络采用编码器-解码器架构，包含15个连续的3×3卷积层，且在编码器阶段设有三次下采样操作。
• 多尺度池化模块替代标准池化层，采用带有可学习参数的反卷积上采样，以保留空间细节并增强上下文表征。
• 解码器采用密集连接结构，将多个层级的特征图进行拼接，以改善梯度流动并提升特征复用，从而实现边界细化。
• 在对应编码器与解码器层之间引入跳跃连接，以保留空间信息并支持精确定位。
• 在每个卷积层后使用批量归一化与ReLU激活函数，以稳定并加速训练过程。
• 在多尺度池化模块中使用32组的组反卷积，以减少参数量同时保持性能。

实验结果

研究问题

• RQ1 与固定插值方法相比，采用可学习反卷积上采样的多尺度池化模块是否能显著提升左心室分割中的特征表征能力？
• RQ2 与标准跳跃连接相比，解码器中采用密集连接结构是否能显著提升边界精度？
• RQ3 所提出的MS-FCN架构与现有最先进模型（如FCN和U-Net）相比，在Sunnybrook数据集上的表现如何？
• RQ4 不同上采样方法（双线性插值、反卷积、组反卷积）对分割精度与参数效率有何影响？
• RQ5 在哪些解剖区域（如心尖、基底部或边界模糊区域）中，该模型的分割性能存在局限？

主要发现

• 在Sunnybrook数据集上，MS-FCN在内膜分割中取得0.93 ± 0.02的Dice分数，在外膜分割中取得0.96 ± 0.01的Dice分数，优于以往全自动方法。
• 在多尺度池化模块中使用反卷积相比双线性插值显著提升了分割性能，而组反卷积在保持精度的同时减少了参数量。
• 采用密集连接解码器后，内膜与外膜的平均精确距离（APD）分别降低至1.61 mm，优于FCN与U-Net在边界精度上的表现。
• 内膜与外膜的优质轮廓比例分别达到98.35%与98.51%，表明分割结果具有高度一致性和可靠性。
• 消融实验表明，多尺度池化模块与密集连接结构均对性能提升有显著贡献，尤其在边界细化方面效果突出。
• 模型在边界模糊区域、心尖与基底区域表现最弱，这些区域图像对比度与结构特征不明显。