基于潜在空间对抗学习的心脏MRI无监督域适应分割方法

本文提出了一种创新的无监督域适应框架（AdvLe-UDA），通过增强型循环生成对抗网络（CycleGAN）在潜在空间进行对抗样本挖掘，将标注丰富的平衡稳态自由进动（bSSFP）心脏磁共振（CMR）图像转化为晚期钆增强（LGE）CMR图像，并结合改进的非局部块nnU-Net实现心肌与心室结构的精准分割。该方法在MS-CMRSeg 2019和MyoPS 2020数据集上分别达到88.0%和82.6%的Dice分数，为心肌梗死（MI）诊断提供了高效自动化解决方案。

　　

亮点

• 我们提出在潜在空间嵌入对抗学习的CycleGAN（Adv-CycleGAN），将带标注的bSSFP CMR图像转化为保留解剖结构的LGE CMR图像。

• 采用集成非局部块的改进版nnU-Net进行分割训练，使网络能高效捕捉全局空间信息。

• 在MS-CMRSeg 2019数据集上开展的对比与消融实验，验证了本方法的优越性。

方法学

该无监督域适应分割框架包含两大阶段：域适应阶段（图1）采用Adv-CycleGAN将bSSFP图像转换为LGE图像。基于网络的生成器具有连续性特征，但潜在空间相似样本对应的像素空间图像质量可能参差。通过潜在空间对抗学习，我们将生成器输出的向量映射至更优的非连续分布，显著提升合成图像质量。

实验与分析

通过对比直接分割与域适应分割结果，我们系统论证了域适应技术对提升LGE CMR分割精度的有效性。与现有方法相比，本方案在心肌和心室分割任务中展现出显著优势。消融实验进一步揭示了潜在空间对抗学习与非局部块的关键作用。

结论

AdvLe-UDA通过融合增强版CycleGAN与nnU-Net，成功实现了标注稀缺的LGE CMR图像精准分割。潜在空间对抗样本挖掘技术使合成图像质量突破性提升，改进的非局部块设计则赋予网络强大的长程依赖建模能力，为心肌梗死诊断提供了可靠技术支撑。