Каскадная сегментация фиброза миокарда на LGE-MRI с параметризацией выходов распределением Дирихле и регуляризацией с учётом шага дискретизации
DOI:
https://doi.org/10.32603/2071-2340-2026-2-43-56Ключевые слова:
LGE-MRI, фиброз миокарда, сегментация, распределение Дирихле, оценка неопределённости, каскадные нейронные сети, нормированные конечные разностиАннотация
Введение. Автоматическая сегментация миокарда и постинфарктного фиброза на LGE-MRI необходима для количественной оценки поражения, но остаётся чувствительной к анизотропии данных и междоменному сдвигу.
Цель работы — оценить, повышает ли каскадная схема с оценкой неопределённости и шаг-нормированной регуляризацией качество и устойчивость сегментации.
Методы. Предложена архитектура глубокой нейронной сети FibroSegNet для сегментации фиброза миокарда, состоящая из трёх блоков (CropNet, MyoSegNet, ScarSegNet), где выход ScarSegNet параметризуется распределением Дирихле, а пространственное сглаживание обеспечивается регуляризатором R1 на конечных разностях, нормированных по физическому шагу сетки. Оценка точности сегментации с применением FibroSegNet выполнена на наборе EMIDEC (n = 20) в едином протоколе, а также проведен сравнительный анализ полученных результатов с современными нейронными сетями 2D nnU-Net, 2D Swin UNETR и 3D nnU-Net. Дополнительно проведены процедуры внешней валидации на наборе MyoPS (n = 25), абляции и тест анизотропного ресэмплинга.
Результаты. На наборе EMIDEC модель FibroSegNet достигла показателя точности Dice 0,891/0,845 (миокард/рубец) против 0,864/0,812 у 2D nnU-Net, 0,868/0,819 у Swin UNETR и 0,838/0,776 у 3D nnU-Net. Для миокарда все различия значимы после поправки Бонферрони (pBonf < 0,004). На наборе MyoPS без дообучения преимущество сохраняется для миокарда (+0,032, p < 0,001), но не для рубца (p = 0,38); абляция показала доминирующий вклад каскада, тогда как Дирихле-компонент улучшил калибровку (ECE –0,026) и детекцию ошибок (AUC ROC = 0,979), а применение регуляризатора R1 позволило снизить метрику HD95 на 1,28 мм.
Обсуждение. Результаты подтверждают, что в условиях выраженной анизотропии LGE-MRI каскадная декомпозиция является ключевым источником прироста качества, а карта неопределённости полезна для контроля надёжности предсказаний. Основное ограничение связано с переносимостью сегментации рубца между доменами, что требует дообучения или методов domain adaptation.
Библиографические ссылки
R. Karim, P. Bhagirath, P. Claus et al., "Evaluation of state-of-the-art segmentation algorithms for left ventricle infarct from late gadolinium enhancement MR images," Medical Image Analysis, vol. 30, pp. 95-107, 2016, doi: 10.1016/j.media.2016.01.004. DOI: https://doi.org/10.1016/j.media.2016.01.004
A. Lalande, Z. Chen, T. Pommier et al., "Deep learning methods for automatic evaluation of delayed enhancement MRI: the results of the EMIDEC challenge," Medical Image Analysis, vol. 79, p. 102428, 2022, doi: 10.1016/j.media.2022.102428. DOI: https://doi.org/10.1016/j.media.2022.102428
F. Isensee, P. F. Jaeger, S. A. Kohl et al., "nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation," Nature Methods, vol. 18, no. 2, pp. 203-211, 2021, doi: 10.1038/s41592-020-01008-z. DOI: https://doi.org/10.1038/s41592-020-01008-z
M. Sensoy, L. Kaplan, and M. Kandemir, "Evidential deep learning to quantify classification uncertainty," in Advances in Neural Information Processing Systems, vol. 31. Curran Associates, Inc., 2018, pp. 3179-3189.
C. Guo, G. Pleiss, Y. Sun, and K. Q. Weinberger, "On calibration of modern neural networks," in Proc. of 34th International Conference on Machine Learning (PMLR), no. 70, 2017, pp. 1321-1330.
S. Woo, J. Park, J.-Y. Lee, and I. S. Kweon, "CBAM: Convolutional block attention module," in European Conference on Computer Vision, Springer, 2018, pp. 3-19, doi: 10.1007/978-3-030-01234-2_1. DOI: https://doi.org/10.1007/978-3-030-01234-2_1
H. Kervadec, J. Bouchitba, C. Desrosiers et al., "Boundary loss for highly unbalanced segmentation," in Proc. of 2nd International Conference on Medical Imaging with Deep Learning (PMLR), no. 102, 2019, pp. 285-296.
A. Hatamizadeh, V. Nath, Y. Tang et al., "Swin UNETR: Swin transformers for semantic segmentation of brain tumors in MRI images," in Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, Springer, 2022, pp. 272-284, doi: 10.1007/978-3-031-08999-2_22. DOI: https://doi.org/10.1007/978-3-031-08999-2_22
H.-Y. Zhou, J. Guo, Y. Zhang et al., "nnFormer: Interleaved transformer for volumetric segmentation," IEEE Transactions on Image Processing, vol. 32, pp. 4036-4048, 2023, doi: 10.1109/TIP.2023.3293771. DOI: https://doi.org/10.1109/TIP.2023.3293771
A. Malinin and M. Gales, "Predictive uncertainty estimation via prior networks," in Advances in Neural Information Processing Systems, vol. 31. Curran Associates, Inc., 2018, pp. 7047-7058.
Y. Tan, F. Feng, and J. Zhao, "A benchmarking study of deep learning approaches for bi-arial segmentation on late gadolinium-enhanced MRIs," in Statistical Atlases and Computational Models of the Heart: STACOM 2023, in Lecture Notes in Computer Science. Springer, 2024, pp. 249-259, doi: 10.1007/978-3-031-52448-6_24. DOI: https://doi.org/10.1007/978-3-031-52448-6_24
M. Schwab, M. Pamminger, C. Kremser, M. Haltmeier, and A. Mayr, "Deep learning pipeline for fully automated myocardial infarct segmentation from clinical cardiac MR scans," Radiology Advances, vol. 2, no. 4, p. umaf023, 2025, doi: 10.1093/radadv/umaf023. DOI: https://doi.org/10.1093/radadv/umaf023
E. Yu. Shchetinin and A. A. Shevchuk, "Computational image segmentation method based on a Dirichlet field and asymptotic discretization accuracy analysis of spatial regularizers," Model Optim Inf Technol, vol. 14, no. 3, 2026, (in Russian), doi: 10.26102/2310-6018/2026.54.3.009. DOI: https://doi.org/10.26102/2310-6018/2026.54.3.009
L. Li, F. Wu, S. Wang et al., "MyoPS: a benchmark of myocardial pathology segmentation combining three-sequence cardiac magnetic resonance images," Medical Image Analysis, vol. 87, p. 102808, 2023, doi: 10.1016/j.media.2023.102808. DOI: https://doi.org/10.1016/j.media.2023.102808
O. Ronneberger, P. Fischer, and T. Brox, "U-Net: Convolutional networks for biomedical image segmentation," in Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015, Springer, 2015, pp. 234-241, doi: 10.1007/978-3-319-24574-4_28. DOI: https://doi.org/10.1007/978-3-319-24574-4_28
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Evgeniy Shchetinin, Vladislav Ruzmanov, Andrey Shevchuk
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
