Mô hình học sâu tích hợp 3D Fuzzy Pooling cho phân đoạn các cấu trúc tim
Abstract
Segmentation of cardiac structures in 3D MRI plays a crucial role in the diagnosis of heart diseases. However, traditional pooling techniques such as Max or Average pooling often result in the loss of important information. Moreover, most studies focus solely on the segmentation accuracy of machine learning models, lacking interpretability of the results. In this study, we propose a deep learning model, 3DMFL-Net, which integrates 3D fuzzy pooling and Explainable AI (XAI) techniques to segment key cardiac structures, including the left ventricle, myocardium, and right ventricle, from short-axis 3D MRI images while providing interpretability of the segmentation results. The 3D fuzzy pooling technique employs fuzzy logic and Gaussian membership functions to downsample feature maps while preserving essential information. XAI is applied using 3D Grad-CAM to visualize the important regions involved in the segmentation process. Experiments on the multi-center M&Ms-2020 dataset show that the model achieved an average Dice score of 71.1%.
Tóm tắt
Phân đoạn các cấu trúc tim trên ảnh 3D MRI đóng vai trò quan trọng trong chẩn đoán bệnh tim. Tuy nhiên, các kỹ thuật pooling truyền thống như Max hoặc Average pooling dễ làm mất thông tin quan trọng. Bên cạnh đó, phần lớn nghiên cứu chỉ tập trung vào độ chính xác phân đoạn trên hình ảnh của các mô hình máy học mà thiếu diễn giải kết quả. Trong nghiên cứu này, chúng tôi đề xuất mô hình học sâu 3DMFL-Net tích hợp 3D fuzzy pooling và kỹ thuật Explainable AI (XAI) để phân đoạn các cấu trúc tim bao gồm tâm thất trái, cơ tim và tâm thất phải từ ảnh 3D MRI trục ngắn, đồng thời cung cấp diễn giải kết quả phân đoạn. 3D fuzzy pooling sử dụng logic mờ và hàm thành viên Gaussian để giảm kích thước bản đồ đặc trưng mà vẫn giữ lại thông tin thiết yếu. XAI được áp dụng thông qua 3D Grad-CAM để trực quan hóa vùng ảnh quan trọng trong phân đoạn. Thực nghiệm trên tập dữ liệu M&Ms-2020 đa trung tâm cho thấy mô hình đạt hệ số Dice trung bình 71.1%.
Tài liệu tham khảo
[1] WHO, "Cardiovascular diseases," [Online]. Available: https://www.who.int/health-topics/cardiovascular-diseases. [Accessed 10 12 2024].
[2] C. Chen, C. Qin, H. Qiu, G. Tarroni, J. Duan, W. Bai and D. Rueckert, "Deep Learning for Cardiac Image Segmentation: A Review," Frontiers in Cardiovascular Medicine, vol. 7, 2020.
[3]Riandini, E. M. Yuniarno, K. E. Purnama, M. Aritsugi and M. H. Purnomo, "Investigating diverse loss functions for myocardium ring segmentation in Cardiac Magnetic Resonance images using fuzzy pooling," Array, vol. 26, p. 100382, 2025.
[4]Q. Liu, C. Kaul, C. Anagnostopoulos, R. M. Smith and F. Deligianni, "Optimizing Vision Transformers for Medical Image Segmentation," 26 10 2022. [Online]. Available: https://arxiv.org/pdf/2210.08066.
[5] L. Li, V. A. Zimmer, W. Ding, F. Wu, L. Huang, J. A. Schnabel and X. Zhuang, "Random Style Transfer based Domain Generalization Networks Integrating Shape and Spatial Information," 3 9 2020. [Online]. Available: https://arxiv.org/pdf/2008.12205.
[6] I. F. S. d. Silva, A. C. Silva, A. C. d. Paiva, M. Gattass and A. M. Cunha, "A Multi-Stage Automatic Method Based on a Combination of Fully Convolutional Networks for Cardiac Segmentation in Short-Axis MRI," Applied Sciences, vol. 17, p. 7352, 2024.
[7] J. Li, Y. Lv, L. Xu and L. Qi, "An Unsupervised Domain Adaptation Model Based on Multi-Level Joint Alignment for Multi-Modal Cardiac Image Segmentation," Procedia Computer Science, vol. 226, pp. 106-112, 2025.
[8] V. M. Campello, P. Gkontra, C. Izquierdo, C. Martín-Isla, A. Sojoudi and P. M. Full, "Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Segmentation: The M&Ms Challenge," IEEE Transactions on Medical Imaging, vol. 40, no. 12, 2021.
[9] S. I. Flores-Alonso, B. Tovar-Corona and R. Luna-García, "Deep Learning Algorithm for Heart Valve Diseases," Applied Sciences, vol. 12 (8), p. 3780, 2022.
[10] X. Feng, N. J. Tustison, S. H. Patel and C. H. Meyer, "Brain Tumor Segmentation Using an Ensemble of 3D U-Nets and Overall Survival Prediction Using Radiomic Features," Frontiers in Computational Neuroscience, vol. 14, 8 4 2020.
[11] M. Irshad, M. Yasmin, M. I. Sharif, M. Rashid, M. I. Sharif and S. Kadry, "A Novel Light U-Net Model for Left Ventricle Segmentation Using MRI," Mathematics, vol. 11, 2023.
[12] D. D. Gunashekar, L. Bielak, L. Hägele and B. Oerther, "Explainable AI for CNN-based prostate tumor segmentation in multi-parametric MRI correlated to whole mount histopathology," Radiation Oncology, 2022.
