[论文解读] $ u$-net: Deep Learning for Generalized Biventricular Cardiac Mass and Function Parameters

Hinrich B. Winther, Christian Hundt+5 more|arXiv (Cornell University)|Jun 14, 2017

Cardiac Imaging and Diagnostics参考文献 23被引用 14

一句话总结

该论文提出ν-net，一种用于心脏MRI中左心室和右心室心内膜及心外膜全自动、高精度分割的深度学习模型。该模型在253例手动分割病例上进行训练，并在四个多中心数据集（超过1,000例）上进行验证，实现了最先进的性能，组内相关系数（ICC）达到98%（左心室射血分数，LV EF）、96%（右心室射血分数，RV EF）和95%（左心室心肌质量，LV VM），展现出强大的泛化能力，并可通过简单调整程序适应不同的分割理念。

ABSTRACT

Background: Cardiac MRI derived biventricular mass and function parameters, such as end-systolic volume (ESV), end-diastolic volume (EDV), ejection fraction (EF), stroke volume (SV), and ventricular mass (VM) are clinically well established. Image segmentation can be challenging and time-consuming, due to the complex anatomy of the human heart. Objectives: This study introduces $ u$-net (/nju:n$\varepsilon$t/) -- a deep learning approach allowing for fully-automated high quality segmentation of right (RV) and left ventricular (LV) endocardium and epicardium for extraction of cardiac function parameters. Methods: A set consisting of 253 manually segmented cases has been used to train a deep neural network. Subsequently, the network has been evaluated on 4 different multicenter data sets with a total of over 1000 cases. Results: For LV EF the intraclass correlation coefficient (ICC) is 98, 95, and 80 % (95 %), and for RV EF 96, and 87 % (80 %) on the respective data sets (human expert ICCs reported in parenthesis). The LV VM ICC is 95, and 94 % (84 %), and the RV VM ICC is 83, and 83 % (54 %). This study proposes a simple adjustment procedure, allowing for the adaptation to distinct segmentation philosophies. $ u$-net exhibits state of-the-art performance in terms of dice coefficient. Conclusions: Biventricular mass and function parameters can be determined reliably in high quality by applying a deep neural network for cardiac MRI segmentation, especially in the anatomically complex right ventricle. Adaption to individual segmentation styles by applying a simple adjustment procedure is viable, allowing for the processing of novel data without time-consuming additional training.

研究动机与目标

• 开发一种深度学习模型，用于心脏MRI中双心室心内膜和心外膜的全自动、高质量分割。
• 提升在不同成像协议、扫描技术以及心肌病等患者病理状态下的泛化能力。
• 在不重新训练的情况下，适应不同的分割理念（尤其是关于肌小梁和乳头肌的处理方式）。
• 以最少的人工干预，提供临床精度的双心室功能和质量参数（EF、ESV、EDV、SV、VM）。
• 提供可扩展的解决方案，用于大规模、多中心心脏MRI分析，降低时间和成本。

提出的方法

• 基于U-Net架构的深度神经网络在单中心253例手动分割的心脏MRI病例上进行训练。
• 应用非线性数据增强技术，以人工增加训练数据的多样性并提升泛化能力。
• 在总计超过1,000例病例的四个独立多中心数据集上评估模型，其成像协议和病理状态各不相同。
• 从自动分割结果中计算临床参数（EF、ESV、EDV、SV、VM），并与手动参考值通过ICC、Dice系数和Bland-Altman分析进行比较。
• 引入一种简单的后处理调整程序，以将预测结果与特定的分割理念（例如肌小梁的包含/排除）对齐。
• 模型采用辛普森法（Simpson's method）进行容积计算，并应用固定的密度系数（1.05 g/cm³）计算心室质量。

实验结果

研究问题

• RQ1 深度学习模型是否能在多样化的心脏MRI数据集中实现对左心室和右心室心内膜及心外膜的高精度全自动分割？
• RQ2 该模型在不同成像协议、扫描设备制造商以及心肌病等患者病理状态下的泛化能力如何？
• RQ3 该模型是否可在不重新训练的情况下，适应不同的分割理念（尤其是关于肌小梁和乳头肌的处理）？
• RQ4 与专家手动分割相比，该模型在估算关键临床参数（EF、ESV、EDV、SV、VM）方面的表现如何？
• RQ5 该模型是否能在无需大量重新训练的情况下，保持在多中心、多阅片者环境下的高精度？

主要发现

• ν-net在独立的多中心数据集中对左心室射血分数（LV EF）的组内相关系数（ICC）达到98%，对右心室射血分数（RV EF）的ICC为96%。
• 该模型对左心室心肌质量（VM）的ICC为95%，对右心室心肌质量（VM）的ICC为83%，表明其在质量估算方面具有极强的可靠性。
• 左心室心内膜、心肌和心外膜分割的Dice相似系数（DSC）分别为91.5±4.3%、88.8±2.9%和94.5±2.0%。
• 右心室的DSC值分别为87.7±5.5%（心内膜）、75.8±5.9%（心肌）和89.8±3.8%（心外膜），表明即使在结构复杂的心脏右室中也表现出优异性能。
• 所提出的调整程序可在不重新训练的情况下实现对不同分割理念的精确适配，同时保持高性能。
• 相关性分析显示，在MICCAI 2009 LVSC数据集上，左心室心内膜容积的R²值为0.9762（皮尔逊相关系数rho = 0.9762），左心室质量的R²值为0.9598，均表现出较低的均方根误差（RMSD）和平均百分比误差（MAPE）。