[论文解读] Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters

Sofie Tilborghs, Tom Dresselaers+3 more|arXiv (Cornell University)|Oct 18, 2020

Advanced Neural Network Applications参考文献 17被引用 8

一句话总结

该论文提出了一种形状约束卷积神经网络（CNN），通过从统计形状模型中联合回归心脏左心室（LV）形状与姿态参数，同时利用符号距离图预测分割结果。通过学习到的系数整合形状先验，并利用多任务损失函数确保与分割结果的一致性，该方法在左心室和心肌分割任务中达到最先进性能，在自建数据集上左心室面积相关系数达99%，区域壁厚相关系数达88%，在公开基准测试中表现更优。

ABSTRACT

Semantic segmentation using convolutional neural networks (CNNs) is the state-of-the-art for many medical segmentation tasks including left ventricle (LV) segmentation in cardiac MR images. However, a drawback is that these CNNs lack explicit shape constraints, occasionally resulting in unrealistic segmentations. In this paper, we perform LV and myocardial segmentation by regression of pose and shape parameters derived from a statistical shape model. The integrated shape model regularizes predicted segmentations and guarantees realistic shapes. Furthermore, in contrast to semantic segmentation, it allows direct calculation of regional measures such as myocardial thickness. We enforce robustness of shape and pose prediction by simultaneously constructing a segmentation distance map during training. We evaluated the proposed method in a fivefold cross validation on a in-house clinical dataset with 75 subjects containing a total of 1539 delineated short-axis slices covering LV from apex to base, and achieved a correlation of 99% for LV area, 94% for myocardial area, 98% for LV dimensions and 88% for regional wall thicknesses. The method was additionally validated on the LVQuan18 and LVQuan19 public datasets and achieved state-of-the-art results.

研究动机与目标

• 解决标准CNN在医学图像分割中的局限性，即因缺乏显式形状约束而常产生不切实际、不连通或缺失区域的问题。
• 通过回归形状系数将统计形状模型作为先验，提升分割的鲁棒性与解剖学合理性。
• 通过利用形状模型参数，实现区域心脏指标（如心肌厚度和区域壁厚）的直接、精确计算。
• 通过联合训练语义分割与距离图回归，提升形状与姿态预测的泛化能力与鲁棒性。
• 在公开心脏MRI分割挑战（LVQuan18/19）中实现最先进性能，同时保持解剖学合理性。

提出的方法

• 使用主成分分析（PCA）对归一化、基于标志点的心肌轮廓进行处理，从2D短轴心脏MR图像构建统计形状模型。
• 使用12个形状系数（b1,p, ..., b12,p）表示每种LV形状，该系数由前12个主成分导出，捕捉超过99%的形状变异。
• 同时回归姿态参数（θp, cx,p, cy,p），表示旋转与中心位置，以实现形状归一化，确保系数估计的一致性。
• 通过回归心内膜与心外膜的符号距离图（Dp）实现语义分割，分割结果通过Sigmoid函数直接从距离图获得。
• 使用结合形状均方误差（MSE）、姿态MSE以及二值化距离图上Dice与MSE的加权和的多任务损失函数，端到端训练网络。
• 通过在训练过程中扰动姿态（位置、方向）与形状系数，实施在线数据增强，并利用薄板样条与三次样条插值重新生成对应图像与距离图。

实验结果

研究问题

• RQ1 与标准语义分割相比，从统计形状模型中联合回归形状与姿态参数是否能提升心脏MRI中分割的准确度与解剖学合理性？
• RQ2 通过结合损失函数的距离图回归方法是否能增强鲁棒性，减少分割中出现的不连通或不切实际区域？
• RQ3 对姿态与形状参数实施在线数据增强在多大程度上提升了模型在未见数据上的泛化能力与性能表现？
• RQ4 预测的形状系数是否能直接用于高精度计算区域心脏指标（如心肌厚度与区域壁厚）？
• RQ5 在公开心脏MRI分割基准测试（LVQuan18/19）中，该方法在分割与参数估计准确度方面与最先进方法相比表现如何？

主要发现

• 在包含75名受试者、共1539张短轴切片的自建数据集中，该方法在左心室面积相关系数达99%，心肌面积为94%，左心室尺寸为98%，区域壁厚相关系数为88%。
• 在LVQuan18挑战数据集中，该方法在左心室面积上的平均绝对误差（MAE）为92 mm²，心肌面积为121 mm²，左心室尺寸为1.52 mm，相对壁厚（RWT）为1.01 mm，优于LVQuan18挑战赛冠军在左心室面积与心肌面积上的表现。
• 在LVQuan19挑战数据集中，该方法在左心室面积上的MAE为134 mm²，心肌面积为201 mm²，左心室尺寸为2.10 mm，RWT为1.78 mm，且在多数指标上相关系数（ρ）高于挑战赛中排名靠前的参赛方法。
• 同时引入语义分割与数据增强显著提升了形状系数回归性能，将标志点预测误差降低至1.44 mm（无分割时为2.10 mm，无增强时为1.85 mm）。
• 由于形状模型的内在约束，该方法在分割中未出现任何不连通或缺失区域，而标准语义分割配合Dice损失则存在此类问题。
• 该方法在区域指标估计方面表现更优：区域壁厚相关系数达88%，LVQuan18中左心室尺寸的MAE为1.52 mm，显著优于基线方法[11]。