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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
