LAScarQS2022——左心房及疤痕定量分割挑战赛

今天将分享左心房及疤痕分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、LAScarQS2022介绍

挑战赛提供 200 名受试者，这项挑战的目标是量化或分割来自患有心房颤动的患者的 LGE MRI 的左心房壁的心肌病理（疤痕）。挑战赛提供了在真实临床环境中从患有心房颤动 (AF) 的患者身上采集的 194 (+) 个 LGE MRI。它旨在为各种研究创造一个公开和公平的竞争。AF 是临床实践中观察到的最常见的心律失常，发生率高达 1%，并且随着年龄的增长而迅速上升。使用肺静脉 (PV) 隔离技术的射频导管消融已成为治疗 AF 患者最常用的方法之一。疤痕的位置和范围为 AF 的病理生理学和进展提供了重要信息。晚期钆增强磁共振成像 (LGE MRI) 是一种有前途的技术，可以可视化和量化心房疤痕。许多临床研究主要关注左心房 (LA) 心肌瘢痕形成区域的位置和范围。

二、LAScarQS2022任务

这项挑战的目标是（半）自动分割 LA 腔并量化 LGE MRI 中的 LA 疤痕。然而，这仍然是艰巨的。首先，LGE MRI 的图像质量可能很差。其次，由于 LA 形状不同、壁薄（Beinart 等人 [7] 报道的平均厚度为 1.89 ± 0.48 mm）、周围的增强区域和复杂的疤痕模式，因此很难构建先进的房颤患者疤痕分析模型。据我们所知，文献中几乎没有报道通过 LGE MRI 实现 LA 腔和疤痕的（半）自动分割和量化。

请注意，通常需要 LA 分割作为疤痕量化的初始化。这是因为心房疤痕位于 LA 壁上，由于其体积小，很难直接定位疤痕。然而，以前的方法通常独立解决这两个任务，忽略了 LA 和疤痕之间的内在空间关系。因此，在这个挑战中，鼓励参与者实现 LA 和疤痕的联合分割和量化。这个挑战中设计了两个任务，即“LA 疤痕量化”和“来自多中心 LGE MRI 的左心房分割”。

三、LAScarQS2022数据集

该挑战将在全球提供 194 (+) 个 LGE MRI，即来自世界各地的多个成像中心，用于开发可以量化或分割 LA 腔和疤痕的新算法。该挑战赛为各种研究小组提供了一个开放和公平的平台，可以在从临床环境中获得的这些数据集上测试和验证他们的方法。所有这些临床数据均已获得机构伦理批准并已匿名（请遵循数据使用协议，即 CC BY NC ND）。提供的金标准标签包括：左心房 (LA) 血池 (atriumSegImgMO.nii.gz) 和 LA 疤痕 (scarSegImgM.nii.gz)。

LGE MRI的详细信息如下：

中心 1（犹他大学）：临床图像是使用 Siemens Avanto 1.5T 或 Vario 3T 使用带有导航门控的自由呼吸 (FB) 采集的。一次 3D LGE MRI 扫描的空间分辨率为 1.25 × 1.25 × 2.5 mm。患者在消融前或消融后 3-6 个月接受了 MR 检查。

中心 2（贝丝以色列女执事医疗中心）：临床图像是使用飞利浦 Acheiva 1.5T 使用 FB 和带有脂肪抑制的导航门控获得的。一次 3D LGE MRI 扫描的空间分辨率为 1.4 × 1.4 × 1.4 mm。患者在消融前或消融后 1 个月接受了 MR 检查。

中心 3（伦敦国王学院）：临床图像也是使用飞利浦 Acheiva 1.5T 使用 FB 和带脂肪抑制的导航门控获得的。一次 3D LGE MRI 扫描的空间分辨率为 1.3 × 1.3 × 4.0 mm。患者在消融前或消融后 3-6 个月接受了 MR 检查。

四、技术路线

任务一、左心房分割和疤痕分割

1、训练数据有60例，测试数据有10例。

2、左心房分割阶段

A、首先去除多余背景，提取人体ROI，采用固定阈值（10，图像最大值），形态学开操作（核大小为3）和最大连通域来处理得到。然后统计ROI图像的平均图像大小（578，377，44），平均Spacing大小（0.625，0.625，2.5）。

B、然后将数据缩放到固定大小为（256x160x64），训练数据中随机选择10例作为验证集，剩下50为模型训练数据，最后对训练数据进行10倍数据扩充操作（旋转，平移，翻转等操作）。

C、首先对图像进行像素大小百分比截断（1，99），再采用z-score方式进行归一化处理。

D、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是6，epoch是200，损失函数采用二分类的dice和交叉熵。

E、训练结果和验证结果

F、验证集分割结果

左图是金标准结果，右图是网络预测结果。

3、疤痕分割阶段

A、首先去除多余背景，提取左心房壁附近区域。先对左心房Mask分别进行形态学膨胀（核大小是5）和形态学腐蚀（核大小是3），然后将膨胀结果减去腐蚀结果，再采用最大连通域分析得到左心房壁附近区域ROI结果。然后统计ROI图像的平均图像大小（174，105，38），平均Spacing大小（0.625，0.625，2.5）。

B、然后将数据缩放到固定大小为（192x128x64），训练数据中随机选择10例作为验证集，剩下50为模型训练数据，最后对训练数据进行10倍数据扩充操作（旋转，平移，翻转等操作）。

C、首先对图像进行像素大小百分比截断（1，99），再采用z-score方式进行归一化处理。

D、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是10，epoch是200，损失函数采用二分类的dice和交叉熵。

E、训练结果和验证结果

F、验证集分割结果

左图是金标准结果，右图是网络预测结果。

4、测试集分割结果

左图是网络左心房预测结果，右图是网络疤痕预测结果。

任务二、多中心左心房分割

1、训练数据有130例，测试数据有20例。

2、首先去除多余背景，提取人体ROI，采用固定阈值（10，图像最大值），形态学开操作（核大小为3）和最大连通域来处理得到。然后统计ROI图像的平均图像大小（586，373，54），平均Spacing大小（0.712，0.712，2.15）。

3、然后将数据缩放到固定大小为（256x160x64），训练数据中随机选择20例作为验证集，剩下110为模型训练数据，最后对训练数据进行5倍数据扩充操作（旋转，平移，翻转等操作）。

4、首先对图像进行像素大小百分比截断（1，99），再采用z-score方式进行归一化处理。

5、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是6，epoch是200，损失函数采用二分类的dice和交叉熵。

6、训练结果和验证结果

7、验证集分割结果

左图是金标准结果，右图是网络预测结果。

8、测试集分割结果

为了方便大家更高效地学习，我将代码进行了整理并更新到github上，点击https://github.com/junqiangchen/PytorchDeepLearing即可访问。由于之前都是使用tensorflow1.14的进行代码实验开发的，为了方便pytorch的朋友们也可以复现实验结果，我将tensorflow版本的代码翻译转换成pytorch版本的。

如果大家觉得这个项目还不错，希望大家给个Star并Fork，可以让更多的人学习。如果有任何问题，随时给我留言我会及时回复的。