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。