Left Atrial Segmentation Challenge 2013——MRI图像中的左心房分割

今天将分享MRI图像中的左心房分割完整实现版本，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、Left Atrial Segmentation Challenge 2013介绍

心房颤动(AF)是最常见的心脏电障碍。消融疗法试图破坏导致心律失常的电折返通路。研究表明，肺静脉 (PV) 内的异位搏动通常会引发AF。最常见的消融手术旨在通过诱导圆周损伤将PV与左心房(LA)体电隔离。传统上，消融手术是通过X射线透视引导的。随着临床成像系统的进步，大多数患者都需要进行术前CT或MRI扫描。这使得人们能够获得术前LA 的解剖学表现。该LA解剖结构可以集成到电解剖测绘系统中。这种集成减少了透视时间并改善了患者的治疗结果。因此，LA的正确解剖学结构对于干预的成功至关重要。除了治疗指导之外，LA分割还可以帮助根据晚期钆增强数据集自动量化LA纤维化。LA纤维化的存在与消融后AF复发高度相关。此外，LA 解剖模型已用于心脏生物物理建模。这些模型旨在了解房颤的机制，并最终预测最佳治疗。

需要进行LA分割才能从术前扫描中提取LA解剖结构。由于多种原因，对LA进行分割具有挑战性。LA的心肌壁非常薄 (大约2-3 mm) ，因此即使以可用的最佳分辨率进行成像也具有挑战性。因此，大多数算法依赖于提取血池来分割 LA，这会导致另一个并发症。LA被其他解剖结构包围，这些结构的图像强度与血池相似。这些结构，包括其他心腔、降主动脉和冠状窦，常常会误导纯粹图像驱动的算法。此外，不同科目之间的PV差异很大。拓扑变体包括四脉（74%）、五脉（17%）或三脉（9%）。不同受试者的左心耳 (LAA) 的形状和大小也有所不同。这种解剖变化限制了具有完全统计约束的方法的使用。最后，二尖瓣（MV）小叶可能处于不同的开口位置，或者在图像中几乎不可见。这妨碍了LA和左心室之间边界的定义。

二、Left Atrial Segmentation Challenge2013任务

MRI图像中的左心房分割。

三、Left Atrial Segmentation Challenge2013数据集

CT 数据集：回顾性心电图门控心脏多层CT图像通常在收缩末期使用飞利浦 16、40、64 和256 层扫描仪（Brilliance CT 和 Brilliance iCT，飞利浦医疗保健，克利夫兰俄亥俄州）采集。所有图像均使用512 × 512矩阵重建，平面体素分辨率范围为 0.30 × 0.30 至 0.78 ×0.78 mm2，切片厚度范围为 0.33 至 1.00 mm。所有扫描均在注射约40–100 毫升造影剂后获得。完整CT体积的采集时间从现代 iCT 扫描仪的4秒到较旧的 16 层扫描仪的20秒不等。每个数据集代表单个心脏相位的3D体积图像。选择的数据集按以下比例提供各种质量级别：8 个高对比度、15个中等对比度、3个低对比度和4个高噪声数据集。

MRI数据集：MRI采集是在1.5T Achieva 扫描仪（Philips Healthcare，Best，荷兰）上进行的。使用3D平衡稳态采集来获取 3D 全心脏图像。该序列获得了覆盖整个心脏的无角度体积，体素分辨率为1.25 × 1.25 × 2.7 mm3。通过呼吸门控在自由呼吸期间和通过心电图门控在舒张末期获取图像。完整体积的典型采集时间为10分钟。每个数据集代表单个心脏相位3D体积图像。选择的数据集按以下比例提供各种质量级别：9 个高质量数据集、10 个中等质量数据集、6 个局部伪影和 5 个高噪声数据集。

CT数据集的数据协议已于2018年9月到期，无法下载此数据集。

MRI数据集下载链接：

https://figshare.com/articles/dataset/Left_Atrial_Segmentation_Challenge_2013_MRI_training/1492978

https://figshare.com/articles/dataset/Left_Atrial_Segmentation_Challenge_2013_MRI_testing/1492989

https://figshare.com/articles/dataset/Left_Atrial_Segmentation_Challenge_2013_MRI_results/1492974

四、技术路线

1、根据固定阈值和形态学开操作提取人体ROI区域，然后提取原始图像和标注图像的ROI。

2、分析步骤1ROI图像信息，得到图像平均大小是232x320x110，因此将图像缩放到固定大小256x320x128。

3、图像预处理，对步骤2的原始图像进行像素值（0.1，99.9）截断，然后采用均值为0，方差为1的方式进行归一化处理。然后将数据分成训练集和验证集，对训练集做10倍数据增强处理。

4、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用二分类的dice和交叉熵。

5、训练结果和验证结果

6、验证集分割结果

左图是金标准结果，右图是预测结果。

7、测试集分割结果

点击阅读原文可以访问参考项目，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。