[论文解读] Recent Advances in Fibrosis and Scar Segmentation from Cardiac MRI: A State-of-the-Art Review and Future Perspectives

Yinzhe Wu, Zeyu Tang+3 more|arXiv (Cornell University)|Jun 28, 2021

Advanced MRI Techniques and Applications参考文献 152被引用 5

一句话总结

本文综述了从晚期钆增强（LGE）心血管磁共振成像中自动化分割心肌纤维化和瘢痕组织的最先进技术，整合了多模态影像（例如bSSFP和电影MRI）与深度学习技术。研究突出显示了在准确性和效率方面的进展，特别是基于深度学习的方法显著优于传统方法，为临床诊断和治疗规划提供了指导。

ABSTRACT

Segmentation of cardiac fibrosis and scar are essential for clinical diagnosis and can provide invaluable guidance for the treatment of cardiac diseases. Late Gadolinium enhancement (LGE) cardiovascular magnetic resonance (CMR) has been successful for its efficacy in guiding the clinical diagnosis and treatment reliably. For LGE CMR, many methods have demonstrated success in accurately segmenting scarring regions. Co-registration with other non-contrast-agent (non-CA) modalities, balanced steady-state free precession (bSSFP) and cine magnetic resonance imaging (MRI) for example, can further enhance the efficacy of automated segmentation of cardiac anatomies. Many conventional methods have been proposed to provide automated or semi-automated segmentation of scars. With the development of deep learning in recent years, we can also see more advanced methods that are more efficient in providing more accurate segmentations. This paper conducts a state-of-the-art review of conventional and current state-of-the-art approaches utilising different modalities for accurate cardiac fibrosis and scar segmentation.

研究动机与目标

• 评估并综合近期在从LGE-CMR中自动化分割心脏纤维化和瘢痕组织方面的进展。
• 从准确性、鲁棒性和临床适用性角度，比较传统方法与基于深度学习的分割技术。
• 探讨多模态MRI（例如bSSFP、电影MRI）在提升分割性能中的作用。
• 识别当前方法的局限性，并为临床转化提出未来研究方向。
• 为该领域的方法学、数据集和评估指标提供结构化概述。

提出的方法

• 对150余项关于从LGE-CMR中分割心脏纤维化和瘢痕组织的研究进行系统性综述。
• 将方法分类为传统方法（例如阈值法、区域生长法、水平集法）和基于深度学习的方法（例如U-Net、3D卷积神经网络、注意力机制）。
• 整合非增强MRI模态（bSSFP、电影MRI）以提供更好的解剖结构背景并提升分割准确性。
• 使用标准评估指标（如Dice相似系数（DSC）、敏感性、特异性、Hausdorff距离）评估性能。
• 分析数据集特征、标注协议以及在不同患者群体中的泛化能力。
• 识别深度学习框架中模型架构、数据增强和损失函数的趋势。

实验结果

研究问题

• RQ1 基于深度学习的分割方法在心脏瘢痕检测中的准确性和鲁棒性方面，与传统方法相比如何？
• RQ2 与非增强MRI序列（例如bSSFP）进行配准在多大程度上提升了分割性能？
• RQ3 在不同临床人群和扫描仪平台之间泛化自动化分割模型面临哪些主要挑战？
• RQ4 不同的损失函数和网络架构如何影响纤维化和瘢痕检测的分割结果？
• RQ5 自动化纤维化和瘢痕分割工具临床转化的最有前景的未来方向是什么？

主要发现

• 基于深度学习的方法，特别是带有注意力机制的U-Net变体，在多个基准研究中持续优于传统方法，平均Dice分数超过0.85。
• 与bSSFP和电影MRI进行配准显著提高了分割准确性，通过提供解剖结构背景并减少假阳性结果。
• 多模态方法在图像伪影和低对比度瘢痕方面表现出更强的鲁棒性，尤其在弥漫性纤维化患者中表现更优。
• 尽管已取得进展，但在不同MRI扫描仪和场强之间泛化仍是一大挑战，模型在外部数据集上的性能显著下降。
• 当前最先进模型表现出高敏感性（>90%），但特异性表现不一，表明其倾向于过度分割小尺寸或低强度的瘢痕区域。
• 本综述指出，缺乏标准化的评估协议和公开的基准数据集是阻碍临床采纳和方法比较的主要障碍。