SSMSNet：延迟钆增强(Late Gadolinium Enhancement, LGE)图像中涂鸦监督式(Scribble-Supervised)心肌瘢痕(Myocardial Scar)分割网络

《Diagnostics》：SSMSNet: Scribble-Supervised Myocardial Scar Segmentation in Late Gadolinium Enhancement Images

　　

背景：利用晚期钆增强心脏磁共振(Late Gadolinium Enhancement Cardiac Magnetic Resonance, LGE CMR)图像进行心肌瘢痕(myocardial scar)分割在心脏病评估及预后评价中具有重要作用。然而，准确标注瘢痕区域耗时费力且需丰富临床经验，因瘢痕通常体积小、形态不规则且边界模糊。涂鸦监督(scribble supervision)虽可通过大幅降低标注成本提供实用替代方案，但涂鸦标注的极端稀疏性及瘢痕组织与周围心肌的高相似性使准确的弱监督分割极具挑战。方法：为应对上述挑战，研究人员提出SSMSNet——一种新颖的涂鸦监督式心肌瘢痕分割框架。具体而言，首先采用弱监督解剖分割网络(weakly supervised anatomical segmentation network)提供可靠的心肌解剖结构先验(anatomical structural priors)，抑制无关背景干扰；随后基于涂鸦标注动态生成局部距离先验图(local distance prior map)并引入相应损失函数以增强结构感知能力并提高训练稳定性；同时利用心肌与瘢痕区域的空间相关性，通过教师–学生一致性监督(teacher–student consistency supervision)逐步从稀疏标注中恢复更完整的瘢痕结构；此外，设计细节感知特征增强模块(detail-aware feature enhancement, DFE module)通过上下文交互与注意力机制强化低级特征表示，提升对边界模糊瘢痕的感知能力。结果：在两个公开心脏病理数据集上的大量实验表明，该框架一致优于现有涂鸦监督方法，且与全监督方法的性能具有竞争力。结论：SSMSNet通过融合解剖引导、局部距离先验及一致性学习，有效缓解了涂鸦标注带来的局限性，为LGE CMR图像中心肌瘢痕分割提供了一种高效且低标注成本的解决方案。

论文解读：SSMSNet——晚期钆增强影像中涂鸦监督式心肌瘢痕分割研究

一、研究背景与意义

心肌瘢痕(myocardial scar)的范围与空间分布在缺血性及非缺血性心脏病诊断、治疗规划和心律失常风险评估中具有重要临床价值。晚期钆增强心脏磁共振(Late Gadolinium Enhancement Cardiac Magnetic Resonance, LGE CMR)是目前可视化心肌纤维化和瘢痕的临床参考标准。基于深度学习的全自动LGE瘢痕分割已取得进展，但现有成熟方法多依赖全监督(full supervision)下的像素级密集标注(dense pixel-level annotations)，而瘢痕区域本身细小、异质性强、边界模糊且与正常心肌灰度相近，使得高质量密集标注极为昂贵且依赖专家经验，严重限制了临床落地。弱监督学习特别是涂鸦标注(scribble annotation)可大幅降低标注负担，仅需在目标区域画几条代表性线条即可提供类别定位线索。然而，极稀疏的涂鸦难以描述完整瘢痕形态，且弱对比度使监督信号传播易受噪声干扰产生假阳性；更重要的是，现有通用涂鸦监督分割框架未充分利用"瘢痕必位于心肌内"这一强解剖约束(anatomical constraint)。因此，研究人员开展本研究，旨在构建一种融合解剖结构先验(anatomical structural prior)、局部距离先验(local distance prior)与教师–学生一致性学习(teacher–student consistency learning)的涂鸦监督分割框架SSMSNet，以实现低标注成本下准确的心肌瘢痕分割。该研究发表于《Diagnostics》。

二、关键技术方法概述

研究人员采用两阶段流水线：第一阶段用弱监督解剖分割网络(DMPLS框架)对LGE图像中心室及心肌进行涂鸦监督分割，获得心肌感兴趣区(myocardium Region of Interest, myocardium ROI)；第二阶段在裁剪后的ROI内执行瘢痕涂鸦监督分割。主要技术要素包括：(1)局部距离先验损失(local distance prior loss)——由瘢痕涂鸦计算各像素到最近涂鸦的截断欧氏距离并转化为衰减权重图，在局部邻域内以加权L₂损失引导网络学习瘢痕周边空间连贯概率分布；(2)结构先验一致性损失(structural prior consistency loss)——基于指数滑动平均(Exponential Moving Average, EMA)更新的教师网络与学生网络，在心肌掩膜内计算区域一致性项，并对教师网络高置信度(>0.8)预测施加伪标签交叉熵监督；(3)细节感知特征增强模块(Detail-aware Feature Enhancement, DFE module)——双平行分支分别捕获局部细节与多尺度上下文特征，经空洞卷积与上下文注意力(contextual attention, CA)单元处理后作差分突出微细结构变化；(4)总体损失为部分交叉熵(partial cross-entropy)、局部距离先验损失与结构先验一致性损失的加权和。实验使用MyoPS++数据集(181例LGE CMR，训练145/测试36)和EMIDEC数据集(仅取67例病理病例，训练54/测试13)，预处理含重采样至各向同性平面分辨率1.25×1.25 mm²、心区裁剪及归一化，评价指标为Dice相似系数(Dice Similarity Coefficient, DSC)、95%豪斯多夫距离(Hausdorff Distance 95%, HD₉₅)和平均表面距离(Average Surface Distance, ASD)。

三、研究结果

4.1. Datasets and Preprocessing

研究人员使用MyoPS++与EMIDEC两个公开数据集，按上述比例划分训练测试集，分别准备解剖结构涂鸦与由密集瘢痕金标准生成的瘢痕涂鸦，并做相应归一化与ROI裁剪预处理。

4.2. Implementation Details

第一阶段解剖分割基于DMPLS以SGD优化，第二阶段瘢痕分割采用SGD优化，批次大小16、迭代80k，局部距离先验参数γ=0.7、τ=0.9，教师–学生框架中置信度阈值设0.8，一致性权重λ₂从0渐增至0.5，全程固定随机种子确保可复现。

4.3. Results on the MyoPS++ Dataset

研究人员将SSMSNet与USTM、DMPLS、ScribFormer三种涂鸦监督方法及U-Net、UNet++、nnU-Net三种全监督基线比较。SSMSNet在弱监督方法中取得最优表现：DSC=52.7%，HD₉₅=13.827 mm，ASD=4.542 mm，较其他弱监督方法有显著提升(p<0.05)，HD₉₅与ASD明显降低说明边界更规整；虽略低于nnU-Net全监督上限，但接近甚至超过U-Net++的DSC，证明框架可有效从稀疏涂鸦恢复瘢痕结构。

4.4. Results on the EMIDEC Dataset

在EMIDEC上SSMSNet同样为弱监督方法中最优：DSC=49.2%，HD₉₅=11.247 mm，ASD=4.809 mm，较对照弱监督方法有全面改善，且在DSC与HD₉₅上超越U-Net与UNet++两种全监督基线，ASD亦优于二者，表明框架在不同成像特性数据集上具良好泛化能力。

4.5. Failure Case Discussion

失败案例显示：当瘢痕呈高度碎片化、空间不连续或体积极小且对比度弱时，稀疏涂鸦提供的局部监督不足以恢复其完整空间关系与连通模式，导致欠分割或遗漏，说明极端形态仍受限于稀疏标注信息量。

4.6. Sensitivity to Anatomical Prior

通过对预测心肌掩膜做形态学膨胀与腐蚀模拟先验误差，研究人员发现轻度至中度扰动仅致有限性能下降(DSC由0.527降至0.501)，框架对适度不完美解剖先验具鲁棒性；侵蚀比膨胀影响更大——缺失心肌区域会丢失瘢痕定位所需上下文，而过分割仅引入冗余非靶区影响较小。

4.7. Ablation Study

逐项消融表明：加入局部距离先验损失L_dist使基线DSC由0.303升至0.331；叠加DFE模块与教师–学生(TS)框架进一步提升；再引入结构先验一致性损失L_consis显著降低HD₉₅与ASD；四者联合获最佳DSC=0.527、HD₉₅=13.828 mm、ASD=4.546 mm。超参敏感性实验确定距离衰减因子γ=0.7、距离截断阈值τ对应较优平衡，教师网络置信度阈值0.8为最佳。

四、讨论与结论翻译

讨论部分指出：解剖先验通过将预测约束于心肌内并抑制背景响应提供粗结构引导；局部距离先验强化涂鸦周边监督传播；教师–学生结构一致性学习在心肌区域内渐进恢复完整瘢痕；DFE模块补偿弱外观线索强化边界感知。框架对适度解剖先验误差具鲁棒性，但对极度不准确心肌定位仍敏感，极碎片化和极低对比度微小瘢痕仍为难点，且当前为逐层(slice-wise)处理未显式利用层间连续性。局限性含超参需手动设定、未端到端联合优化解剖与瘢痕分割、未量化DFE计算开销及未做大规模多中心验证。

结论翻译如下：

研究人员提出了一种基于涂鸦标注对LGE CMR图像进行心肌瘢痕分割的涂鸦监督框架。该框架首先通过弱监督解剖分割网络提取心肌感兴趣区(ROI)，继而在裁剪ROI内借助教师–学生学习方案执行瘢痕分割。为解决稀疏监督下瘢痕恢复不完整之难题，研究人员引入局部距离先验损失以引导局部监督传播、引入受心肌约束的结构先验一致性损失以改善结构连贯性，以及细节感知特征增强(DFE)模块以强化边界勾画与细微结构表征。在MyoPS++与EMIDEC数据集上的实验结果表明，所提框架优于现有涂鸦监督方法并与全监督方法具竞争力。这证实了解剖约束、局部先验引导和一致性学习相融合对弱监督心肌瘢痕分割的有效性。该方法为LGE CMR图像中心肌瘢痕分析提供了一种有效且低标注成本的解决方案。尽管稀疏涂鸦监督下分割性能仍低于全监督方法，该框架仍能提供具临床价值的初步瘢痕定位，有望减少人工标注工作量并促进下游分析。