Automated and accurate segmentations of left atrium (LA) and atrial scars from late gadolinium-enhanced cardiac magnetic resonance (LGE CMR) images are in high demand for quantifying atrial scars. The previous quantification of atrial scars relies on a two-phase segmentation for LA and atrial scars due to their large volume difference (unbalanced atrial targets). In this paper, we propose an inter-cascade generative adversarial network, namely JAS-GAN, to segment the unbalanced atrial targets from LGE CMR images automatically and accurately in an end-to-end way. Firstly, JAS-GAN investigates an adaptive attention cascade to automatically correlate the segmentation tasks of the unbalanced atrial targets. The adaptive attention cascade mainly models the inclusion relationship of the two unbalanced atrial targets, where the estimated LA acts as the attention map to adaptively focus on the small atrial scars roughly. Then, an adversarial regularization is applied to the segmentation tasks of the unbalanced atrial targets for making a consistent optimization. It mainly forces the estimated joint distribution of LA and atrial scars to match the real ones. We evaluated the performance of our JAS-GAN on a 3D LGE CMR dataset with 192 scans. Compared with the state-of-the-art methods, our proposed approach yielded better segmentation performance (Average Dice Similarity Coefficient (DSC) values of 0.946 and 0.821 for LA and atrial scars, respectively), which indicated the effectiveness of our proposed approach for segmenting unbalanced atrial targets.

中文翻译：

---

JAS-GAN：基于生成对抗网络的联合心房和不平衡心房目标的疤痕分割

从晚期钆增强心脏磁共振 (LGE CMR) 图像中自动和准确地分割左心房 (LA) 和心房疤痕对于量化心房疤痕有很高的需求。之前对心房疤痕的量化依赖于 LA 和心房疤痕的两相分割，因为它们的体积差异很大（心房目标不平衡）。在本文中，我们提出了一种级联间生成对抗网络，即 JAS-GAN，以端到端的方式自动准确地从 LGE CMR 图像中分割出不平衡的心房目标。首先，JAS-GAN 研究自适应注意级联以自动关联不平衡心房目标的分割任务。自适应注意级联主要建模两个不平衡心房目标的包含关系，其中估计的 LA 充当注意力图，以自适应地粗略地关注小心房疤痕。然后，将对抗性正则化应用于不平衡心房目标的分割任务，以进行一致的优化。它主要迫使估计的 LA 和心房疤痕的联合分布与真实的相匹配。我们通过 192 次扫描评估了 JAS-GAN 在 3D LGE CMR 数据集上的性能。与最先进的方法相比，我们提出的方法产生了更好的分割性能（LA 和心房疤痕的平均骰子相似系数 (DSC) 值分别为 0.946 和 0.821），这表明我们提出的方法的有效性分割不平衡的心房目标。对抗性正则化应用于不平衡心房目标的分割任务，以进行一致的优化。它主要迫使估计的 LA 和心房疤痕的联合分布与真实的相匹配。我们通过 192 次扫描评估了 JAS-GAN 在 3D LGE CMR 数据集上的性能。与最先进的方法相比，我们提出的方法产生了更好的分割性能（LA和心房疤痕的平均骰子相似系数（DSC）值分别为0.946和0.821），这表明我们提出的方法的有效性分割不平衡的心房目标。对抗性正则化应用于不平衡心房目标的分割任务，以进行一致的优化。它主要迫使估计的 LA 和心房疤痕的联合分布与真实的相匹配。我们通过 192 次扫描评估了 JAS-GAN 在 3D LGE CMR 数据集上的性能。与最先进的方法相比，我们提出的方法产生了更好的分割性能（LA和心房疤痕的平均骰子相似系数（DSC）值分别为0.946和0.821），这表明我们提出的方法的有效性分割不平衡的心房目标。我们通过 192 次扫描评估了 JAS-GAN 在 3D LGE CMR 数据集上的性能。与最先进的方法相比，我们提出的方法产生了更好的分割性能（LA和心房疤痕的平均骰子相似系数（DSC）值分别为0.946和0.821），这表明我们提出的方法的有效性分割不平衡的心房目标。我们通过 192 次扫描评估了 JAS-GAN 在 3D LGE CMR 数据集上的性能。与最先进的方法相比，我们提出的方法产生了更好的分割性能（LA和心房疤痕的平均骰子相似系数（DSC）值分别为0.946和0.821），这表明我们提出的方法的有效性分割不平衡的心房目标。