[论文解读] V-FCNN: Volumetric Fully Convolution Neural Network For Automatic Atrial Segmentation

Nicoló Savioli, Giovanni Montana+1 more|arXiv (Cornell University)|Aug 6, 2018

Cardiac Valve Diseases and Treatments参考文献 18被引用 5

一句话总结

本文提出V-FCNN，一种使用体素卷积的3D全卷积神经网络，可在单次前向传播中实现从晚期钆增强MRI图像中全自动、一键式心房分割。通过结合均方误差与Dice损失，其在54名患者中实现了92.5%的Dice分数，即使在肺静脉和瓣膜平面区域存在挑战，仍表现出在心房中层区域的优异性能。

ABSTRACT

Atrial Fibrillation (AF) is a common electro-physiological cardiac disorder that causes changes in the anatomy of the atria. A better characterization of these changes is desirable for the definition of clinical biomarkers, furthermore, thus there is a need for its fully automatic segmentation from clinical images. In this work, we present an architecture based on 3D-convolution kernels, a Volumetric Fully Convolution Neural Network (V-FCNN), able to segment the entire volume in a one-shot, and consequently integrate the implicit spatial redundancy present in high-resolution images. A loss function based on the mixture of both Mean Square Error (MSE) and Dice Loss (DL) is used, in an attempt to combine the ability to capture the bulk shape as well as the reduction of local errors products by over-segmentation. Results demonstrate a reasonable performance in the middle region of the atria along with the impact of the challenges of capturing the variability of the pulmonary veins or the identification of the valve plane that separates the atria to the ventricle. A final dice of $92.5\%$ in $54$ patients ($4752$ atria test slices in total) is shown.

研究动机与目标

• 开发一种完全自动、单次前向传播的心房分割方法，用于3D晚期钆增强MRI图像。
• 解决心房影像中组织对比度低与解剖结构高度可变的挑战。
• 通过体素卷积利用3D空间冗余性，提升分割精度。
• 通过结合MSE与Dice损失的混合损失函数，减少过度分割与局部误差。
• 通过消除先前U-Net类架构中的跳跃连接，简化训练流程并加速收敛。

提出的方法

• V-FCNN架构采用3D全卷积编码器-解码器结构，下采样与上采样路径中各包含四个3D卷积模块。
• 每个模块依次应用3×3卷积核的3D卷积、参数化修正线性单元（PReLU）与3D批量归一化。
• 网络避免使用最大池化操作，以保留空间分辨率并防止小心房结构中的信息丢失。
• 采用混合损失函数：$ \text{Loss} = \text{MSE}_{\text{loss}} + \lambda \cdot \text{DICE}_{\text{loss}} $，在全局形状准确度与局部边界精度之间实现平衡。
• 下采样路径将空间尺寸从640×640×88缩减至127×127×88，以适配GPU显存限制，输入分辨率由原始的0.625 mm³各向同性体素降低。
• 模型在2018年心房分割挑战赛提供的100例3D LGE-MRI扫描上进行端到端训练，推理过程仅需一次前向传播。

实验结果

研究问题

• RQ1 3D全卷积网络是否能在无跳跃连接的情况下实现稳健的一键式心房分割？
• RQ2 结合MSE与Dice损失的混合损失函数相较于单一损失方法，如何提升分割精度？
• RQ3 避免使用最大池化在低对比度心房结构中对保留精细解剖细节的程度如何？
• RQ4 该模型在肺静脉与心室瓣膜平面等困难区域的表现如何？
• RQ5 无跳跃连接的简化架构是否能在实现更快训练与更低显存占用的同时，保持具有竞争力的性能？

主要发现

• V-FCNN在54名测试患者的平均Dice分数达到92.5%，共评估4752张心房切片。
• 中层心房区域表现最佳，Dice分数为94.25%（±1.28），表明在中央心房解剖结构中具有优异的泛化能力。
• 在顶部与底部区域性能下降，Dice分数分别为84.48%（±2.58）与76.33%（±7.05），主要因肺静脉与瓣膜平面区域结构复杂。
• 混合损失函数有效减少了过度分割，并通过平衡全局形状保真度（MSE）与局部边界精度（Dice）提升了收敛性。
• 由于未使用跳跃连接，训练速度更快且GPU显存占用更低，但对细微结构的定位精度略有下降。
• 模型对图像分辨率降低（从640×640×88降至127×127×88）表现出鲁棒性，尽管这可能也导致了92.5%的Dice分数上限。