[论文解读] SK-Unet: an Improved U-net Model with Selective Kernel for the Segmentation of Multi-sequence Cardiac MR

Xiyue Wang, Sen Yang+5 more|arXiv (Cornell University)|Jan 3, 2020

Advanced MRI Techniques and Applications参考文献 17被引用 6

一句话总结

本文提出 SK-Unet，一种增强的 U-Net 架构，通过集成选择性卷积（SK）模块和挤压-激励残差（SE-Res）单元，用于多序列心脏磁共振图像分割。通过融合 cine、T2 加权和 LGE 心脏 MRIs，该模型在通道和空间维度上均提升了特征表示，在 MS-CMRSeg 2019 数据集上实现了 LV、LVM 和 RV 的平均 Dice 分数分别为 0.922、0.827 和 0.874。

ABSTRACT

In the clinical environment, myocardial infarction (MI) as one com-mon cardiovascular disease is mainly evaluated based on the late gadolinium enhancement (LGE) cardiac magnetic resonance images (CMRIs). The auto-matic segmentations of left ventricle (LV), right ventricle (RV), and left ven-tricular myocardium (LVM) in the LGE CMRIs are desired for the aided diag-nosis in clinic. To accomplish this segmentation task, this paper proposes a modified U-net architecture by combining multi-sequence CMRIs, including the cine, LGE, and T2-weighted CMRIs. The cine and T2-weighted CMRIs are used to assist the segmentation in the LGE CMRIs. In this segmentation net-work, the squeeze-and-excitation residual (SE-Res) and selective kernel (SK) modules are inserted in the down-sampling and up-sampling stages, respective-ly. The SK module makes the obtained feature maps more informative in both spatial and channel-wise space, and attains more precise segmentation result. The utilized dataset is from the MICCAI challenge (MS-CMRSeg 2019), which is acquired from 45 patients including three CMR sequences. The cine and T2-weighted CMRIs acquired from 35 patients and the LGE CMRIs acquired from 5 patients are labeled. Our method achieves the mean dice score of 0.922 (LV), 0.827 (LVM), and 0.874 (RV) in the LGE CMRIs.

研究动机与目标

• 提升晚期钆增强（LGE）心脏 MR 图像中左心室（LV）、右心室（RV）和左心室心肌（LVM）的自动分割性能。
• 利用多序列 CMRIs（特别是 cine、T2 加权和 LGE 序列）之间的互补信息，以提高分割精度。
• 通过将其他序列作为辅助监督，解决 LGE CMRIs 中标注数据有限的挑战。
• 通过在 U-Net 架构中引入注意力机制，增强空间和通道维度上的特征表示。
• 在 MS-CMRSeg 2019 心脏 MR 分割基准上实现最先进性能。

提出的方法

• 所提出的 SK-Unet 在下采样路径中集成挤压-激励残差（SE-Res）模块，以重新校准通道维度上的特征响应。
• 在上采样路径中应用选择性卷积（SK）模块，以自适应聚合多感受野特征，提升空间表示能力。
• 将多序列 CMRIs（cine、T2 加权和 LGE）拼接作为网络输入，以利用互补的解剖和功能信息。
• 通过编码器到解码器的跳跃连接，保留下采样过程中丢失的空间细节。
• 采用交叉熵损失与 Dice 损失的组合，进行端到端训练，以优化分割性能。
• SK 模块根据特征图在空间和通道维度上的重要性，动态重加权特征图。

实验结果

研究问题

• RQ1 多序列 CMRIs（cine、T2 加权和 LGE）的融合是否能提升 LGE 图像中 LV、RV 和 LVM 的分割精度？
• RQ2 选择性卷积模块是否能通过增强空间和通道维度的特征表示，实现更优的分割效果？
• RQ3 SE-Res 模块是否能改善编码器路径中的特征精炼，实现更鲁棒的特征学习？
• RQ4 SK-Unet 在 MS-CMRSeg 2019 数据集上与标准 U-Net 及其他注意力机制架构相比表现如何？
• RQ5 辅助序列（cine 和 T2 加权）在多大程度上可弥补 LGE CMRIs 中标注数据有限的问题？

主要发现

• 所提出的 SK-Unet 在 LGE CMRIs 上实现了左心室（LV）分割的平均 Dice 分数为 0.922。
• 该模型在左心室心肌（LVM）分割中取得了平均 Dice 分数 0.827，表明其在具有挑战性的心肌组织分割中表现优异。
• 右心室（RV）分割的平均 Dice 分数达到 0.874，证明了其在更小且形状不规则结构上的鲁棒性。
• 与仅使用 LGE 序列相比，多序列 CMRIs 的融合显著提升了分割性能，主要得益于增强的解剖上下文信息。
• 选择性卷积模块通过自适应聚焦于相关空间和通道特征，生成了更具信息量的特征图。
• SE-Res 与 SK 模块的结合显著改善了特征表示，使分割精度高于基线 U-Net。