CARE2024——真实世界医学图像的综合分析与计算之LiQA

今天将分享真实世界医学图像的综合分析与计算之LiQA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、CARE2024介绍

许多用于医学图像分析的基础模型，例如分段任意模型（SAM），已经发布并被证明在多种任务中是有用的。然而，它们对现实世界医学成像数据的有效性尚未得到探索。例如，针对变形较大的器官（即心脏和肝脏）的特定图像对分析提出了更大的挑战。首先，呼吸运动和心脏搏动引起的错位增加了对这些数据进行联合分析的复杂性。其次，现实世界医学图像的不均匀性带来了挑战，包括模态的多样性和来自不同中心的收集引起的分布变化。第三，对于这些基础模型来说，处理不规则的 ROI（例如病变或疤痕）可能更具挑战性，因为它们的尺寸可能非常小且形状不规则。因此，开发有效且高效的迁移学习方法来充分利用这些基础模型进行现实世界的医学图像分割具有重要价值。

二、CARE2024任务

任务1、传输多中心真实世界医学图像分析基础模型 (TFM4MediA)

任务2、左心房和疤痕量化和分割 (LAScarQS++)

目标是自动分割 LA 腔并量化 LGE MRI 中的 LA 疤痕。

任务3、肝纤维化定量和分析 (LiQA)

目标1：LiSeg 任务旨在利用有限的真实数据来预测肝脏分割，其中提供肝胆相 (HBP) MRI，其中包含有关肝脏的重要信息。

目标2：LiFS 任务旨在准确对肝纤维化进行分期。肝纤维化的严重程度可分为四个阶段（S1-S4）。评估具有临床意义的两个二元分类任务的结果，即肝硬化分期（S1-3 与 S4）和识别实质性纤维化（S1 与 S2-4）。

任务4、心肌病理分割 (MyoPS++)

目标是从多序列 CMR 数据中分割心肌病理区域，特别是疤痕和水肿，鼓励参与者克服挑战，例如包含多中心数据、某些中心缺失序列以及多序列 CMR 中的错位，如下图(B)所示。

任务5、全心分割 (WHS++)

目标实现整个心脏七个子结构的精确分割。

具体来说，任务1旨在建立一个统一的转移基础模型，以实现其他四个任务的通用性，即解决所有或部分任务。统一模型将进行综合评估，综合各种指标进行排名。

三、CARE2024数据集

将按临床需求分组发布四个具体数据集，针对心脏和肝脏等变形严重的器官，由来自三大洲的 1250 多名患者组成。数据集的多样性体现在以下几个方面，即多大陆：从三大洲超过18个中心收集，多模态：包含多种模态，错位：存在由呼吸运动和心脏搏动引起的固有错位，以及缺失 数据：指实践中出现的模态缺失。

LAScarQS++数据集——包括来自不同国家的 200 多个多中心 LGE MRI (enhanced.nii.gz)，手动分割 LA 腔 (atriumSegImgMO.nii.gz) 和/或疤痕区域 (scarSegImgM.nii.gz)。所有这些临床数据均已获得机构伦理批准并已匿名化（请遵循数据使用协议，即CC BY NC ND）。这些 LGE MRI 的详细信息如下——中心 A：154 个 LGE MRI——该数据最初是从犹他州 NAMIC-CARMA 收集并获得发布许可的。2018 心房分割挑战赛在最终发布之前完善了 Utah NAMIC-CARMA 数据集的 LA 分割。因此，我们采用了精炼数据集，并进一步修复了该数据集中存在的分辨率不规则性。临床图像是通过西门子 Avanto 1.5T 或 Vario 3T 使用带有导航门控的自由呼吸 (FB) 采集的。3D LGE MRI 扫描的空间分辨率为 0.625 × 0.625 × 2.5 mm。患者在消融前或消融后3-6个月接受MR检查。中心 B：20 个 LGE MRI——该数据最初收集自贝斯以色列女执事医疗中心，并用于 ISBI2012 左心房纤维化和疤痕分割挑战赛。我们从本次挑战赛中选择了部分数据集，并在发布前完善了它们的手动分割。临床图像是使用 FB 和具有脂肪抑制功能的导航门控的 Philips Acheiva 1.5T 采集的。一张 3D LGE MRI 扫描的空间分辨率为 1.4 × 1.4 × 1.4 毫米。患者在消融前或消融后1个月接受了MR检查。中心 C：20 个 LGE MRI——该数据最初收集自伦敦国王学院，并用于 ISBI2012 左心房纤维化和疤痕分割挑战赛。我们从本次挑战赛中选择了部分数据集，并在发布前完善了它们的手动分割。临床图像也是通过使用 FB 和具有脂肪抑制功能的导航门控的 Philips Acheiva 1.5T 获取的。一张 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MR检查。

LiQA数据集——1）扫描仪：飞利浦Ingenia3.0T、西门子Skyra 3.0T、西门子Aera 1.5T。2）数据集概述：跟踪队列由 440 名被诊断患有肝纤维化并接受多相 MRI 扫描的患者组成。所有受试者均在临床中心使用三个不同的磁共振扫描仪供应商进行扫描。该数据集将包括多相、多中心数据，包括 T2 加权成像、扩散加权成像和乙氧基苄基二亚乙基三胺五乙酸钆 (Gd-EOB-DTPA) 增强动态 MRI。Gd-EOB-DTPA 增强动态 MRI 包括非造影期 (T1WI)、动脉期、静脉期、延迟期和肝胆期。3)动态增强扫描：在注射GD-EOB-DTPA剂的基础上进行增强扫描。注射造影剂 25 秒后捕获动脉期。随后，1 分钟后实现门户阶段。再过3分钟，达到延迟期，最后20分钟后达到肝胆期。4）数据格式：数据均为Nifty格式。每个样本可能随机缺少相位（肝胆相位除外），并且序列未通过空间配准进行预对齐。对于 LiSeg 任务，训练集包含由经验丰富的临床医生获得的 30 个带注释的分割图像以及来自 2 个不同 MRI 供应商和 3 个不同中心的 220 个未注释图像。对于 LiFS 任务，所有 250 个训练样本都提供了肝纤维化阶段的基本事实。

MyoPS++数据集——数据来自中国、法国和英国 7 个中心的 250 名患者的数据。患者中CMR序列数量如下：145 名患者具有三个 CMR 序列：LGE、T2 和 bSSFP。24名患者有两个序列：bSSFP和LGE。81名患者只有一种序列：LGE。LGE 和 T2 CMR 序列分别用下式描述：疤痕 (2221)，水肿 (1220)此外提供以下标签：左心室 (500)，右心室 (600)，健康心肌 (200)

WHS++数据集——纳入了来自不同国家 6 个中心的 206 张多模态全心脏图像，其中包括 104 张心脏 CT/CTA 和 102 张 3D 心脏 MRI，覆盖整个心脏亚结构。数据基于体内临床环境收集并用于临床，涵盖广泛的心脏疾病。因此数据的图像质量参差不齐，有的质量相对较差。然而，有必要包含这些数据集，以验证所开发算法在实际临床使用中的稳健性。

数据下载：http://zmic.org.cn/care_2024/join/

四、技术路线

任务一、肝脏分割

1、统计图像平均大小是400x400x76，Spacing平均大小是1x1x3。图像采用z-score归一化方式进行归一化处理，将图像缩放到固定大小为400x400x128，将数据划分成训练集和验证集，其中训练集进行10倍数据增强。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用二值化dice和ce。

3、训练结果和验证结果

4、验证集分割结果

左图是金标准结果，右图是预测结果。

5、测试集分割结果

任务二、肝硬化分期（S1-3 与 S4）二分类任务

1、按照肝硬化分期（S1-S3）和（S4），将同一病例目录下图像进行二分类划分。图像采用z-score归一化方式进行归一化处理，将图像缩放到固定大小为256x256x128，将数据划分成训练集和验证集，其中训练集进行5倍数据增强。

2、搭建ResNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是6，epoch是500，损失函数采用多类别ce。

3、训练结果和验证结果

4、验证集分类结果

5、测试集分类结果

输入每个病例下全部图像，由于MRI序列个数是有缺失的，所以对每个序列进行分类预测，并根据全部序列分类预测结果来综合计算得到最终类别结果。

任务三、识别实质性纤维化（S1 与 S2-4）二分类任务

1、按照实质性纤维化（S1）和（S2-S4），将同一病例目录下图像进行二分类划分。图像采用z-score归一化方式进行归一化处理，将图像缩放到固定大小为256x256x128，将数据划分成训练集和验证集，其中训练集进行5倍数据增强。

2、搭建ResNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是6，epoch是500，损失函数采用多类别ce。

3、训练结果和验证结果

4、验证集分类结果

5、测试集分类结果

输入每个病例下全部图像，由于MRI序列个数是有缺失的，所以对每个序列进行分类预测，并根据全部序列预测结果来综合计算得到最终类别结果。