[论文解读] Multiview Two-Task Recursive Attention Model for Left Atrium and Atrial Scars Segmentation

Jun Chen, Guang Yang+10 more|arXiv (Cornell University)|Jun 12, 2018

Cardiac Valve Diseases and Treatments参考文献 9被引用 4

一句话总结

该论文提出了一种新颖的多视角双任务递归注意力模型（MVTT），通过结合序列化和空洞残差学习与注意力机制，实现从单次LGE-CMRI扫描中同时分割左心房（包括肺静脉）和心房瘢痕。该方法实现了最先进性能，显著提升了瘢痕检测的敏感性和Dice分数，同时无需额外的亮血MRI扫描或配准操作。

ABSTRACT

Late Gadolinium Enhanced Cardiac MRI (LGE-CMRI) for detecting atrial scars in atrial fibrillation (AF) patients has recently emerged as a promising technique to stratify patients, guide ablation therapy and predict treatment success. Visualisation and quantification of scar tissues require a segmentation of both the left atrium (LA) and the high intensity scar regions from LGE-CMRI images. These two segmentation tasks are challenging due to the cancelling of healthy tissue signal, low signal-to-noise ratio and often limited image quality in these patients. Most approaches require manual supervision and/or a second bright-blood MRI acquisition for anatomical segmentation. Segmenting both the LA anatomy and the scar tissues automatically from a single LGE-CMRI acquisition is highly in demand. In this study, we proposed a novel fully automated multiview two-task (MVTT) recursive attention model working directly on LGE-CMRI images that combines a sequential learning and a dilated residual learning to segment the LA (including attached pulmonary veins) and delineate the atrial scars simultaneously via an innovative attention model. Compared to other state-of-the-art methods, the proposed MVTT achieves compelling improvement, enabling to generate a patient-specific anatomical and atrial scar assessment model.

研究动机与目标

• 开发一种完全自动化的、从单次LGE-CMRI扫描中同时分割左心房（包括肺静脉）和心房瘢痕的方法。
• 克服LGE-CMRI中的挑战，如信噪比较低、健康组织信号被抑制，以及心房颤动患者中图像质量差的问题。
• 消除对额外亮血MRI扫描的依赖，以及先前方法中常见的配准误差。
• 通过注意力机制提高对小范围、高增强瘢痕区域的检测敏感性和准确性。
• 为心房颤动消融治疗提供个体化、可重复且可靠的解剖与瘢痕评估。

提出的方法

• MVTT框架采用多视角学习：冠状面特征通过带有ConvLSTM的序列学习网络提取，矢状面和冠状面则采用空洞残差学习以捕捉多尺度上下文信息。
• 集成递归注意力机制，通过聚焦于具有区分性的空间模式，增强小范围、低对比度心房瘢痕区域的特征表示。
• 模型采用类似3D U-Net的架构，包含编码器-解码器路径，每个卷积层后接ReLU和局部响应归一化（LRN）。
• 特征图通过最大池化（编码器）和双线性上采样（解码器）处理，跳连接用于保留空间细节。
• 通过联合损失函数对左心房/肺静脉和瘢痕分割任务进行端到端训练，实现联合优化。
• 该方法利用重建为轴向、矢状面和冠状面切片的3D LGE-MRI数据，以利用互补的解剖信息。

实验结果

研究问题

• RQ1 单一深度学习模型能否在无需额外影像的情况下，准确从单次LGE-CMRI扫描中分割出左心房（包括肺静脉）和心房瘢痕？
• RQ2 与单视角方法相比，引入多视角（轴向、矢状面、冠状面）特征学习在多大程度上提升了分割性能？
• RQ3 注意力机制在噪声较多的LGE-CMRI数据中，对小范围、低对比度心房瘢痕区域的检测能力提升程度如何？
• RQ4 联合双任务学习（解剖结构+瘢痕）与分别训练左心房/肺静脉和瘢痕分割相比，表现如何？
• RQ5 如ConvLSTM和空洞残差模块等架构组件对模型鲁棒性和泛化能力的影响如何？

主要发现

• MVTT在左心房和肺静脉分割中达到0.9990 ± 0.0009的Dice分数，显著优于WHS方法（敏感性0.905 vs. 0.859）。
• 在心房瘢痕分割方面，MVTT达到0.7764 ± 0.1459的Dice分数，优于无监督方法（如基于SD的阈值法：Dice < 0.1）和U-Net基线模型。
• 消融实验证实，多视角序列化学习相比仅使用轴向视图的方法，使左心房/肺静脉分割的Dice分数提高了0.0067。
• 注意力机制使瘢痕分割的敏感性提高0.0272（从0.7491提升至0.7764），Dice分数提高0.0273，证明其在突出小瘢痕区域方面的有效性。
• 同时进行双任务学习的框架优于分别训练，表明相互监督可增强特征学习。
• 该模型表现出强泛化能力，特异性高达0.9997 ± 0.0002，收敛稳定，但在瘢痕极少的术前病例中性能略有下降。