基于两阶段动态协同分割方法的 myocardial pathology（心肌病理） segmentation——面向多序列心脏磁共振(MS-CMR)中心肌瘢痕与水肿的分割

《Journal of Imaging》：Two-Stage Dynamic Synergistic Segmentation Method for Myocardial Pathology

　　

摘要：从多序列心脏磁共振(multi-sequence cardiac magnetic resonance, MS-CMR)图像中分割心肌瘢痕(myocardial scar)与水肿(edema)对心肌梗死评估具有重要意义，但由于模态异质性、严重类别不平衡及病理区域微小模糊等特性仍具挑战性。为此，研究人员提出一种动态协同分割网络(Dynamic Synergistic Segmentation Network, DSS-Net)用于心肌病理分割。该框架采用由粗到细(coarse-to-fine)策略：粗分割阶段先分割心肌(myocardium)以提供解剖先验(anatomical prior)与区域约束，细分割阶段在心肌感知空间(myocardium-aware space)内进一步勾画瘢痕与水肿。此外，设计模态动态融合模块(Modality Dynamic Fusion Module, MDFM)以自适应增强与病理相关的模态信息，并引入阶段特征聚合模块(Stage-wise Feature Aggregation Module, SFAM)以增强跨阶段特征交互及细粒度病灶表征。在MyoPS 2020与MyoPS 2024数据集上的实验表明，DSS-Net取得有竞争力的均衡性能，MyoPS 2020上瘢痕与水印Dice系数分别为0.706与0.753；与MyoPS 2020挑战赛中的SOTA方法相比，所提方法在瘢痕分割性能相当的同时，在敏感度(sensitivity)与特异度(specificity)间保持了更均衡的权衡。结果表明，结合解剖学引导与病理感知的多模态学习是MS-CMR中鲁棒心肌病理分割的有效策略。

论文解读：基于两阶段动态协同分割网络(DSS-Net)的多序列心脏磁共振心肌病理分割研究

一、研究背景与意义

心脏磁共振(cardiac magnetic resonance, CMR)，特别是多序列CMR(multi-sequence CMR, MS-CMR)，可提供互补的组织特征信息，是评估心肌梗死(myocardial infarction, MI)后心肌瘢痕(myocardial scar, 延迟钆增强 late gadolinium enhancement, LGE敏感)与水肿(edema, T₂加权像敏感)的重要影像学工具。准确分割这些病理区域对诊断、治疗规划及梗死后危险分层至关重要。然而，现有深度学习分割方法面临三大难点：(1)不同CMR序列对病灶的贡献不均等且随空间变化，传统简单拼接输入或静态特征融合无法自适应强调最相关的模态信息，引入冗余或冲突信息；(2)瘢痕与水肿仅占心肌内微小亚区，形态不规则、边界模糊且存在严重类别不平衡(class imbalance)，易在重复下采样中被忽视导致漏检或边界不准；(3)通用分割网络主要针对常见解剖结构设计，对微小模糊病理目标的表征能力不足。因此，如何有效利用多模态互补信息并结合解剖约束以强化小病灶表示，是心肌病理分割亟待解决的问题。针对上述挑战，研究人员提出了动态协同分割网络(Dynamic Synergistic Segmentation Network, DSS-Net)，采用解剖引导的两阶段粗—细分割框架，结合模态动态融合模块(MDFM)与阶段特征聚合模块(SFAM)，以提高MS-CMR中心肌瘢痕与水印的分割精度与结构性。该研究成果发表于《Journal of Imaging》。

二、主要关键技术方法概述

研究人员选用MyoPS 2020数据集（45例急性心肌梗死患者，bSSFP/LGE/T₂三序列，25例训练20例测试）与MyoPS 2024子集（250例中筛选95例含完整三模态，65例训练30例测试）。预处理将三维体数据切为二维短轴切片，z-score归一化后裁剪至统一尺寸，采用随机旋转与翻转扩增。DSS-Net为端到端两阶段U型架构：第一阶段(DSS-Coarse)以标准U-Net输入bSSFP、LGE、T₂图像粗分割心肌(myocardium, Myo)与左心室(left ventricle, LV)，预测概率图二值化取包围盒加边生成心肌感兴趣区(region of interest, ROI)裁剪各模态；第二阶段(DSS-Fine)编码器含四条并行分支分别处理LGE、T₂及两个解剖先验(心肌掩码与LV掩码)，每级先独立提取模态特征后经MDFM自适应加权融合多模态特征，中间级经SFAM注入高级语义以增强小病灶空间细节，解码器通过跳层连接与上采样恢复分辨率输出瘢痕与水肿概率图。损失函数为Dice损失与交叉熵(cross-entropy, CE)损失的加权和，对瘢痕与水肿类别加权系数为2以缓解类别不平衡，并引入瘢痕—水肿空间包含约束损失(scab–edema inclusion constraint loss)强制瘢痕位于水肿内。模型基于PyTorch 2.9在NVIDIA RTX 4090上用Adam优化器训练200 epoch，学习率余弦退火，批量大小16，损失平衡系数λ₁=1、λ₂=0.1。

三、研究结果

3.1 Coarse Segmentation Network（粗分割网络）

研究人员采用标准U-Net作为DSS-Coarse主干，输入三序列CMR图像输出心肌与左心室概率图，经二值化取外接矩形加固定边距生成心肌ROI用于后续裁剪。结果表明该阶段可有效提供解剖先验与区域约束，缩小精细分割搜索空间并减少背景干扰。

3.2 Myocardial Infarction Fine Segmentation Network（心肌梗死精细分割网络）

DSS-Fine基于U-Net架构，四条编码分支分别处理LGE、T₂及解剖先验特征，各级通过MDFM融合四路模态特征得F_fused⁽ⁱ⁾，选择性增强与瘢痕/水肿相关的模态响应；部分中间级叠加SFAM将深层语义注入较浅层特征得F_sfam⁽ⁱ⁾以强化小病灶空间连续性，最终解码还原全分辨率预测图。该设计验证了在解剖约束ROI内结合病理感知模态融合可改善微小模糊病灶检测。

3.3 Modality Dynamic Fusion Module（MDFM，模态动态融合模块）

MDFM将四路特征拼接后经瓶颈门控分支(两层卷积，首层通道压缩比r，二层Sigmoid生成调制图)对拼接特征逐元素重标定，再经卷积投影输出。研究人员设置压缩比r=16效果最优。消融显示MDFM使散乱高响应向病理区集中，提升瘢痕Dice与敏感度(sensitivity, SEN)，验证其可自适应强调病理相关模态特征并抑制冗余。

3.4 Stage-wise Feature Aggregation Module（SFAM，阶段特征聚合模块）

SFAM将当前级特征F⁽ⁱ⁾与上一级高层特征F⁽ⁱ⁺¹⁾对齐拼接，经跨阶段选择门控获得融合特征，再并行列行3×3（局部细节）与5×5大核卷积（广域上下文）提取多尺度信息，残差加回初始特征得输出F_out⁽ⁱ⁾。可视化显示SFAM使病灶区响应更连续完整、边界清晰，Hausdorff距离(HD)降低，证实其有效结合浅层空间细节与深层语义改善边界定位。

3.5 Loss Function（损失函数）

总损失L_total=L_seg+λ₁L_inclu+λ₂L_anatomy，其中L_seg=α·L_Dice+(1?α)·L_CE，病理类权重为2；L_inclu=L_{scar_in_edem}+L_{edem_contain_scar}分别惩罚瘢痕溢出水肿区及鼓励水肿覆盖瘢痕区。该复合损失缓解类别不平衡并利用临床解剖先验提升分割结构合理性。

4.1 Datasets and Preprocessing（数据集与预处理）

已在方法中说明，MyoPS 2020与MyoPS 2024经配准对齐、切片化、z-score归一化、ROI裁剪及数据增广处理。

4.4 Baseline Methods（基线方法对比）

与U-Net、U-Net++、Attention U-Net、nnU-Net、MyoPS-Net、ACC-UNet及MyoPS 2020挑战赛前列队伍比较。DSS-Net在MyoPS 2020上瘢痕Dice=0.706、水肿Dice=0.753为最高，平均Dice=0.730领先基线；较MyoPS-Net瘢痕Dice提升4.9%；相较挑战赛前列方法在保持相近瘢痕Dice同时敏感度与特异度(specificity, SPE)更均衡。计算复杂度参数量78.51 M小于MyoPS-Net(119.28 M)，单图推理30.03 ms属临床可接受范围，训练耗时1.92 h短于对比方法，归因于ROI机制加速收敛。

5.2.1 Module Abolition Analysis（模块消融分析）

逐个启用两阶段框架、MDFM、SFAM：单阶段U-Net性能最低；加入两阶段显著提升所有指标；再加MDFM进一步提升瘢痕Dice与SEN，特征热图示病理区响应集中；单独加SFAM明显降低HD改善边界；三者联合取得最佳综合性能，证实粗定位→模态选择增强→细部精修之渐进增益。

5.2.2 Two-Stage Framework Analysis（两阶段连接策略分析）

比较仅ROI裁剪、仅概率先验(probability prior)输入、两者结合：仅ROI裁剪利于水肿分割；仅概率先验更助益微小瘢痕；二者联用Dice最优，说明空间约束与结构语义先验互补，是传递粗阶段信息至细阶段的最佳方式。

5.2.3 Parameter Sensitivity Analysis of the MDFM（MDFM压缩比敏感性分析）

考察通道压缩比r=2~16，r增大至16时瘢痕与水印Dice稳步上升且波动减小，过小r弱化门控压缩约束致冗余抑制不足，故选定r=16为默认。

六、讨论与结论翻译

讨论指出，鲁棒心肌病理分割依赖解剖约束、自适应多模态选择与细微病灶细节保留三者协同。MDFM通过动态重标定模态响应改善病理感知选择性融合；SFAM通过跨阶段深浅特征交互增强小病灶完整性与边界描绘，二者形成互补。局限含两阶段致参数量较大、MDFM轻量门控未完全建模复杂模态依赖、假设多模态完美配准及公开数据量仍有限，未来将探索模型压缩、更强跨模态融合、缺失模态鲁棒性及多中心大样本验证。

结论：研究人员提出DSS-Net用于MS-CMR心肌瘢痕与水肿分割，通过coarse-to-fine框架结合MDFM自适应多模态融合与SFAM跨阶段特征聚合，实现解剖引导病灶定位、病理相关模态选择及细粒度病灶表征。在MyoPS 2020与MyoPS 2024数据集上DSS-Net对瘢痕与水肿分割均取得竞争性与均衡性能，对比与消融实验验证了自适应模态融合与跨阶段特征聚合对提升病灶判别力与结构一致性的重要作用，表明结合解剖先验与病理感知多模态学习对心肌病理分析具价值。