[论文解读] Simultaneous Left Atrium Anatomy and Scar Segmentations via Deep Learning in Multiview Information with Attention

Guang Yang, Jun Chen+14 more|arXiv (Cornell University)|Feb 2, 2020

Cardiac Valve Diseases and Treatments参考文献 42被引用 4

一句话总结

本文提出一种多视角双任务递归注意力深度学习模型，可从单次3D延迟钆增强心脏磁共振（LGE-CMR）扫描中同时分割左心房解剖结构与左心房瘢痕组织。该方法在每张扫描0.27秒内实现高精度分割（左心房平均Dice分数为93%，瘢痕组织为87%），消除了对额外亮血扫描和配准步骤的需求。

ABSTRACT

Three-dimensional late gadolinium enhanced (LGE) cardiac MR (CMR) of left atrial scar in patients with atrial fibrillation (AF) has recently emerged as a promising technique to stratify patients, to guide ablation therapy and to predict treatment success. This requires a segmentation of the high intensity scar tissue and also a segmentation of the left atrium (LA) anatomy, the latter usually being derived from a separate bright-blood acquisition. Performing both segmentations automatically from a single 3D LGE CMR acquisition would eliminate the need for an additional acquisition and avoid subsequent registration issues. In this paper, we propose a joint segmentation method based on multiview two-task (MVTT) recursive attention model working directly on 3D LGE CMR images to segment the LA (and proximal pulmonary veins) and to delineate the scar on the same dataset. Using our MVTT recursive attention model, both the LA anatomy and scar can be segmented accurately (mean Dice score of 93% for the LA anatomy and 87% for the scar segmentations) and efficiently (~0.27 seconds to simultaneously segment the LA anatomy and scars directly from the 3D LGE CMR dataset with 60-68 2D slices). Compared to conventional unsupervised learning and other state-of-the-art deep learning based methods, the proposed MVTT model achieved excellent results, leading to an automatic generation of a patient-specific anatomical model combined with scar segmentation for patients in AF.

研究动机与目标

• 通过从单次3D延迟钆增强心脏磁共振（LGE-CMR）扫描中实现左心房解剖结构与瘢痕组织的联合分割，消除心房颤动患者对单独亮血MRI扫描的需求。
• 解决因使用不同MRI序列分别获取解剖与瘢痕分割结果而产生的错配与配准误差问题。
• 开发一种深度学习框架，能够在单次推理过程中联合学习复杂解剖与病理组织模式。
• 通过同时自动化两个分割任务，提升心房颤动消融术患者个体化建模的效率与准确性。

提出的方法

• 该方法采用多视角双任务（MVTT）递归注意力网络，从多个正交视角处理3D LGE-CMR图像，以增强特征表示。
• 网络利用递归注意力机制，逐步优化特征图，聚焦于3D体积中相关解剖与瘢痕区域。
• 该模型端到端训练，同时执行两项分割任务：左心房与肺静脉分割，以及左心房瘢痕分割。
• 该架构利用共享编码器特征与任务特定头，实现两项分割任务的联合优化。
• 该方法每3D体积处理60–68个轴向2D切片，实现近实时推理，单次扫描运行时间约为0.27秒。

实验结果

研究问题

• RQ1 单一深度学习模型能否准确地从单次3D LGE-CMR扫描中分割出左心房解剖结构与左心房瘢痕组织？
• RQ2 使用多视角信息与递归注意力机制是否能提升分割精度，相较于单视角或非递归方法？
• RQ3 解剖结构与瘢痕的联合分割能否减少对额外亮血MRI扫描的需求，并避免传统工作流程中常见的配准误差？
• RQ4 与当前最先进的深度学习及无监督方法相比，所提出的MVTT模型在Dice分数与推理速度方面表现如何？

主要发现

• 所提出的MVTT模型在左心房解剖结构分割中实现了93%的平均Dice分数，表现出对复杂心脏结构的高精度捕捉能力。
• 该模型在左心房瘢痕分割中实现了87%的平均Dice分数，表明其在识别纤维化组织方面表现优异。
• 该方法每张3D LGE-CMR数据集处理时间约为0.27秒，支持实时临床应用。
• 联合分割方法消除了对单独亮血扫描的需求，并避免了传统工作流程中常见的配准相关误差。