[论文解读] MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images

Lei Li, Fuping Wu+30 more|arXiv (Cornell University)|Jan 10, 2022

Cardiac Imaging and Diagnostics被引用 10

一句话总结

本文提出 MyoPS 基准，用于使用三序列心脏磁共振成像（bSSFP、LGE、T2加权）同步分割心肌瘢痕与水肿，通过组合预对齐图像以提高诊断准确性。该研究评估了15种方法在预处理、数据增强、学习策略、模型架构和后处理方面的表现，结果显示尽管性能表现良好，但临床整合仍需更好地处理解剖约束和多视角成像问题。

ABSTRACT

Assessment of myocardial viability is essential in diagnosis and treatment management of patients suffering from myocardial infarction, and classification of pathology on myocardium is the key to this assessment. This work defines a new task of medical image analysis, i.e., to perform myocardial pathology segmentation (MyoPS) combining three-sequence cardiac magnetic resonance (CMR) images, which was first proposed in the MyoPS challenge, in conjunction with MICCAI 2020. The challenge provided 45 paired and pre-aligned CMR images, allowing algorithms to combine the complementary information from the three CMR sequences for pathology segmentation. In this article, we provide details of the challenge, survey the works from fifteen participants and interpret their methods according to five aspects, i.e., preprocessing, data augmentation, learning strategy, model architecture and post-processing. In addition, we analyze the results with respect to different factors, in order to examine the key obstacles and explore potential of solutions, as well as to provide a benchmark for future research. We conclude that while promising results have been reported, the research is still in the early stage, and more in-depth exploration is needed before a successful application to the clinics. Note that MyoPS data and evaluation tool continue to be publicly available upon registration via its homepage (www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20/).

研究动机与目标

• 建立使用三序列心脏磁共振成像（bSSFP、LGE、T2加权）同步分割心肌瘢痕与水肿的标准化基准。
• 评估并比较提交至 MyoPS 挑战赛的15种深度学习方法在性能与方法设计方面的表现。
• 识别多序列 CMR 融合中的关键挑战，包括信号强度异质性、形态可变性以及图像错配问题。
• 突出当前深度学习方法与临床先验知识（如冠状动脉供血区域解剖）之间的差距。
• 提供公开可用的数据与评估工具，以支持未来心肌病理分割研究。

提出的方法

• 该基准使用来自相同患者的45对预对齐的三序列 CMR 扫描，采用 bSSFP、LGE 和 T2 加权序列获取。
• 使用标准分割指标（包括 Dice 系数、敏感性、特异性与准确率）对方法进行评估，特别关注手动分割为零的病例。
• 在五个维度上开展全面的方法论调查：预处理、数据增强、学习策略、模型架构与后处理。
• 分析不同图像序列与分割类型（瘢痕 vs. 水肿）下的模型性能，识别算法设计与性能的趋势。
• 讨论了解剖先验（如18段模型与冠状动脉供血区域边界）作为提升分割合理性的潜在约束。
• 评估框架支持持续基准测试，并包含图像配准与分割评估工具，数据需注册后获取。

实验结果

研究问题

• RQ1 不同深度学习架构与训练策略在从多序列 CMR 图像中分割瘢痕与水肿方面的表现如何？
• RQ2 数据增强与预处理在提升跨异质信号强度与病理类型的分割鲁棒性方面发挥何种作用？
• RQ3 当前方法在多大程度上在其分割输出中考虑了临床解剖先验（如冠状动脉供血区域边界）？
• RQ4 当手动分割为零时，Dice 与准确率等评估指标的表现如何，这对模型排名有何影响？
• RQ5 当前方法的主要局限性是什么？未来方法如何更好地整合同步图像配准与分割？

主要发现

• 表现最佳的方法在瘢痕分割上达到平均 Dice 系数 0.78，在水肿分割上达到 0.72，表明性能较强但尚未达到临床最优水平。
• 未发现 Dice 系数与敏感性/特异性之间存在显著相关性，提示这些指标在评估罕见或小病灶病例时存在局限性。
• 研究发现，当手动分割缺失时，ACC 与 Dice 系数不可靠，凸显了对更稳健评估指标的需求。
• 尽管冠状动脉供血区域解剖在临床上具有重要意义，但15种方法中无一考虑该解剖结构。
• 该基准揭示当前模型对图像错配处理能力不足，因所有数据均已预对齐，提示需要端到端的配准与分割框架。
• 未来研究应探索使用深度学习实现联合配准与分割，并整合多视角（短轴与长轴）CMR 以提升定位精度与准确性。