Regional_wall_motion_abnormality_echo2023——超声心动图局部室壁运动分割

今天将分享超声心动图局部室壁运动分割完整实现版本，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、Regional_wall_motion_abnormality_echo2023介绍

冠状动脉疾病 (CAD) 是全球第三大死因，每年夺去 1780 万人的生命。左心室收缩功能尤其是局部室壁运动异常的评估对于确定 CAD 的严重程度和预后变得越来越重要。目前，超声心动图已广泛用于评估局部室壁运动异常。然而，人工评估需要丰富的经验，主观性强，耗时长，且难以重现。

目前，已经提出了粗略评估和详细评估两种自动化方法来解决该问题。在粗略评估中，仅评估异常情况，而不评估详细的异常血管位置。在详细评估中，还提供了详细的异常血管位置。在临床实践中，首选详细评估。通过区域墙分段，可以轻松地将其进一步分为 18 个分段，并且三个视图（A2C、A3C 和 A4C）中的每个视图都可以分为 6 个分段。然后，可以提供准确的异常血管位置，帮助临床医生和外科医生进行精确的诊断和治疗。然而，区域墙分割主要面临两个挑战。首先，分割性能勉强可以接受，这对于进一步的分析和诊断来说太低了。其次，目前几乎都采用了内部数据集评估，不仅给公平比较带来了困难，也限制了进一步发展。

另一方面，超声心动图图像采集有2D模式、心肌造影超声心动图（MCE）模式和左心室混浊（LVO）模式三种模式。2D 模式是应用最广泛的一种，因为它便宜且无创，现有的工作也是基于2D模式下的超声心动图图像。然而，该技术难以清晰地显示心肌和瓣膜的所有边界。如果使用2D模式的局部室壁运动评估高度可疑，则应用LVO或MCE模式，其中将充气微泡注入左心室或心室以增强对比度。然而，这两种模式都是侵入性的且昂贵。

二、Regional_wall_motion_abnormality_echo2023任务

超声心动图局部左心室壁运动自动分割。

三、Regional_wall_motion_abnormality_echo2023数据集

数据集由198名患者组成，其中每个患者包含三种模式（2D 模式、MCE 模式和 LVO 模式）的三个视图（A4C、A3C 和 A2C）。因此，总共有1,782个超声视频，帧大小为 640×480×(71−510)。在临床实践中，2D模式、MCE模式和LVO模式均用于评估局部室壁运动异常，其中2D模式是最常用的一种。对于每个视频，随机选择六帧，对左心室的区域壁轮廓进行标记。总共有594个壁标签，其中45个壁是异常的。如此低的发病率反映了临床实践的真实统计数据。所有标签均由四位经验丰富的超声医师进行注释，每个标签大约需要 5分钟才能完成。

数据下载：

https://www.kaggle.com/datasets/xiaoweixumedicalai/regional-wall-motion-abnormality-echo

四、技术路线

1、首先对左心室壁Mask进行形态学膨胀操作，核大小为5。

2、图像预处理，对步骤1的图像采用均值为0，方差为1的方式进行归一化处理，再图像缩放到固定大小512x512，再将数据分成训练集和验证集。

3、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是32，epoch是300，损失函数采用二值化的dice和交叉熵。

4、训练结果和验证结果

5、验证集部分分割结果

左图是原图，中间是金标准结果，右边是预测结果。

6、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。