Since Late-Gadolinium Enhancement (LGE) of cardiac magnetic resonance (CMR) visualizes myocardial infarction, and the balanced-Steady State Free Precession (bSSFP) cine sequence can capture cardiac motions and present clear boundaries; multimodal CMR segmentation has played an important role in the assessment of myocardial viability and clinical diagnosis, while automatic and accurate CMR segmentation still remains challenging due to a very small amount of labeled LGE data and the relatively low contrasts of LGE. The main purpose of our work is to learn the real/fake bSSFP modality with ground truths to indirectly segment the LGE modality of cardiac MR by using a proposed cross-modality multicascade framework: cross-modality translation network and automatic segmentation network, respectively. In the segmentation stage, a novel multicascade pix2pix network is designed to segment the fake bSSFP sequence obtained from a cross-modality translation network. Moreover, we propose perceptual loss measuring features between ground truth and prediction, which are extracted from the pretrained vgg network in the segmentation stage. We evaluate the performance of the proposed method on the multimodal CMR dataset and verify its superiority over other state-of-the-art approaches under different network structures and different types of adversarial losses in terms of dice accuracy in testing. Therefore, the proposed network is promising for Indirect Cardiac LGE Segmentation in clinical applications.

中文翻译：

---

CMMCSegNet：多模态心脏 MR 上的跨模态多级联间接 LGE 分割

由于心脏磁共振 (CMR) 的晚钆增强 (LGE) 可显示心肌梗塞，而平衡稳态自由进动 (bSSFP) 电影序列可以捕捉心脏运动并呈现清晰的边界；多模态 CMR 分割在评估心肌活力和临床诊断方面发挥了重要作用，但由于标记的 LGE 数据量非常少且 LGE 的对比度相对较低，因此自动和准确的 CMR 分割仍然具有挑战性。我们工作的主要目的是通过使用提出的跨模态多级联框架：分别是跨模态转换网络和自动分割网络，学习具有基本事实的真/假 bSSFP 模态，以间接分割心脏 MR 的 LGE 模态。在细分阶段，一种新颖的多级联 pix2pix 网络旨在分割从跨模态翻译网络获得的假 bSSFP 序列。此外，我们提出了真实和预测之间的感知损失测量特征，这些特征是在分割阶段从预训练的 vgg 网络中提取的。我们在多模态 CMR 数据集上评估了所提出方法的性能，并在测试中的骰子准确性方面验证了其在不同网络结构和不同类型对抗性损失下优于其他最先进方法的优越性。因此，所提出的网络在临床应用中有望用于间接心脏 LGE 分割。我们提出了真实和预测之间的感知损失测量特征，这些特征是在分割阶段从预训练的 vgg 网络中提取的。我们在多模态 CMR 数据集上评估了所提出方法的性能，并在测试中的骰子精度方面验证了其在不同网络结构和不同类型对抗性损失下优于其他最先进方法的优越性。因此，所提出的网络在临床应用中有望用于间接心脏 LGE 分割。我们提出了真实和预测之间的感知损失测量特征，这些特征是在分割阶段从预训练的 vgg 网络中提取的。我们在多模态 CMR 数据集上评估了所提出方法的性能，并在测试中的骰子精度方面验证了其在不同网络结构和不同类型对抗性损失下优于其他最先进方法的优越性。因此，所提出的网络在临床应用中有望用于间接心脏 LGE 分割。我们在多模态 CMR 数据集上评估了所提出方法的性能，并在测试中的骰子准确性方面验证了其在不同网络结构和不同类型对抗性损失下优于其他最先进方法的优越性。因此，所提出的网络在临床应用中有望用于间接心脏 LGE 分割。我们在多模态 CMR 数据集上评估了所提出方法的性能，并在测试中的骰子精度方面验证了其在不同网络结构和不同类型对抗性损失下优于其他最先进方法的优越性。因此，所提出的网络在临床应用中有望用于间接心脏 LGE 分割。