Evaluation of Anatomical Shape Priors in Deep Learning-Based Cardiac Multi-Compartment Segmentation

Technische Samenvatting: Evaluatie van Anatomische Vormpriors in Deep Learning-gebaseerde Segmentatie van Meerdere Hartcompartimenten

Probleemstelling
Segmentatie van meerdere compartimenten van het hele hart uit cardiale CT is een kritieke taak voor klinische toepassingen zoals kwantitatieve beoordeling (bijv. ejectiefractie), behandelingsplanning en beeldgeleide interventies. Hoewel deep learning, met name varianten van de 3D U-Net, de dominante aanpak is geworden vanwege de extractie van meerschaalige kenmerken en ruimtelijke localisatiecapaciteiten, zijn deze modellen primair op uiterlijk gebaseerd. Ze missen een expliciete codering van anatomische vormkennis, een hiaat dat eerder de toepassing van statistische vormmodellen in het pre-deep learning-tijdperk motiveerde. De centrale onderzoeksvraag is of lichtgewicht, expliciete vormpriors meetbare voordelen kunnen bieden ten opzichte van een sterke 3D U-Net-baseline voor zeven-klassen cardiale CT-segmentatie (ventrikels, atria, myocard en grote vaten).

Methodologie
De studie evalueert twee categorieën van expliciete vormpriors die geïntegreerd zijn in een standaard 3D U-Net-baseline:

1. Vormbewuste Verliezen: Drie families van regularisatoren werden getest om grove anatomische kennis in te brengen zonder de segmentatie-ruggengraat te wijzigen:

   • Volumeregularisatie: Straft afwijkingen af van verwachte compartimentvolumes die zijn afgeleid uit statistieken van de trainingsset.
   • Momentgebaseerde Vormregularisatie: Dwingt de uitlijning af van zachte eerste- en tweede-orde ruimtelijke momenten (zwaartepunten, ellipsoïden) tussen voorspellingen en trainingsreferenties via L2-afstand.
   • Anatomische Relatieverlies: Beperkt onderlinge afstanden en hoekrelaties tussen klassenzwaartepunten op basis van statistieken van de trainingsdata.

2. Architecturale Priors: Populatieniveau meerklasse-kanswarmtekaarten (die gemiddelde ruimtelijke labelverdelingen vertegenwoordigen) werden geïntegreerd in diverse netwerkontwerpen:

   • HM Multilayer: Een variant met diep toezicht met een auxiliaire kop voor warmtekaartvoorspelling.
   • 2-Decoder: Een netwerk met aparte decoders voor segmentatie en warmtekaartvoorspelling om de encoder te dwingen kenmerken te leren die beide ondersteunen.
   • 2-Encoder: Een netwerk met dubbele encoder dat beeld- en warmtekaartinput parallel verwerkt.
   • Gekaskadeerd: Een architectuur met drie U-Nets voor grove voorspelling gevolgd door verfijning.

Experimentele Opstelling
Experimenten werden uitgevoerd op het MM-WHS CT-dataset (20 trainings- en 40 testscans) en de publiek beschikbare WHS++-uitbreiding (20 extra gevallen). Preprocessing omvatte heroriëntatie, isotrope resampling en Procrustes-gebaseerde uitlijning om populatiewarmtekaarten af te leiden. Modellen werden getraind met $64^3$ en $128^3$ resoluties met uitgebreide augmentatie. Prestaties werden geëvalueerd met behulp van Dice, Jaccard, Hausdorff-afstand (HD) en Gemiddelde Symmetrische Oppervlakteafstand (ASSD).

Belangrijkste Resultaten
De studie levert een consistent negatief resultaat op over alle datasets en configuraties:

• Dominantie van de Baseline: Een standaard 3D U-Net diende als een zeer sterke baseline, met 90,85% Dice op MM-WHS ($64^3$) en 88,93% op WHS++.
• Doeltreffendheid van Handgemaakte Priors:
  • Op verlies gebaseerd: Volumeregularisatie en momentregularisatie leverden resultaten op die in wezen gelijk waren aan de baseline (bijv. 90,85% versus 90,84% Dice). Het anatomische relatieverlies degradeerde daadwerkelijk de prestaties (88,98% Dice).
  • Op architectuur gebaseerd: Warmtekaartgeleide varianten (2-Decoder, 2-Encoder, Gekaskadeerd) bleven concurrerend maar overtroffen de baseline niet. Bijvoorbeeld, bij $64^3$ behaalde de 2-Decoder 90,73% Dice en het Gekaskadeerde model 90,32%. Bij hogere resolutie ($128^3$) verbeterde de baseline naar 92,05%, terwijl concurrenten (2-Encoder, Gekaskadeerd) deze nauwkeurig benaderden (92,02% en 92,04%) maar deze niet overtroffen.
• Kwalitatieve Observaties: Alle modellen, inclusief die met priors, reproduceerden de globale hartanatomie goed. Verschillen waren beperkt tot grenzen en kleinere structuren, wat suggereert dat de baseline al aanzienlijke globale anatomische regulariteiten vastlegt.

Betekenis en Claims
Het artikel presenteert een "relevant negatief resultaat", dat de aanname uitdaagt dat expliciete, handgemaakte vormbeperkingen noodzakelijk of voordelig zijn bij gebruik van moderne, goed getrainde deep learning-baselines. De auteurs stellen het volgende:

1. Impliciete Leer: Sterke 3D U-Net-baselines leren al aanzienlijke impliciete anatomische regulariteiten direct uit beelddata, waardoor grove handgemaakte priors (volumes, momenten, zwaartepunten, warmtekaarten) overbodig worden.
2. Beperkingen van Grove Priors: De geteste priors beschrijven anatomie slechts op een grof niveau en slagen er niet in complexe niet-lineaire cardiale variabiliteit vast te leggen. Bovendien, aangezien baseline-fouten primair grensgerelateerd zijn, bieden globale structurele regularisatoren weinig extra waarde.
3. Toekomstige Richting: Toekomstige verbeteringen zullen waarschijnlijk niet voortkomen uit eenvoudige handgemaakte beperkingen. In plaats daarvan suggereren de auteurs een verschuiving naar expressievere geleerde anatomische priors, zoals generatieve op diffusie gebaseerde of op stroommatching gebaseerde modellen getraind op segmentatiemaskers, die de verdeling van plausibele cardiale anatomie beter kunnen vertegenwoordigen.

Concluderend toont de studie aan dat voor gehele-hart CT-segmentatie op deze datasets het verhogen van architecturale complexiteit of het toevoegen van eenvoudige vormbeperkingen de prestaties niet betrouwbaar verbetert ten opzichte van een standaard 3D U-Net.