一、任務分析
相比較腦區域分割,醫學圖像中的心臟分割問題要更復雜,因爲心臟是一個不停運作的器官,其形狀也會在運動過程中發生變化。本文我們就來看看醫學圖像分割之心臟分割。
心臟是我們身體內的一個重要器官,擁有一個健康、穩定工作的心臟是我們探索、創造和感知世界的必要條件。然而,各種各樣的心臟類疾病也嚴重威脅着許多人的生命。爲了有效治療和預防這些疾病,精準計算、建模和分析整個心臟結構對於醫學領域的研究和應用至關重要。
目前,這個問題的解決仍然需要依賴大量的人工。這樣做不僅耗時,而且精度有時難以保證。因此,需要實現心臟區域的自動分割用於解決心臟醫療領域的實際問題。在衆多手段中,基於神經網絡的方法具有明顯優勢。以2016年Kaggle發起的左心室分割挑戰爲例,三名獲獎者所使用的方法都是深度學習。
在心臟分割問題中,通常按結構將心臟分成幾個標註區域。比如以MM-WHS數據庫
爲例,有:
左心室血腔(the left ventricle blood cavity, LV
)
左心室心肌(the myocardium of the left ventricle, Myo
)
右心室血腔(the right ventricle blood cavity, RV
)
左心房血腔(the left atrium blood cavity, LA
)
右心房血腔(the right atrium blood cavity, RA
)
升主動脈(the ascending aorta, AA
)
肺動脈(the pulmonary artery, PA
)
如下圖:
這些區域由於本身的特性,其難易程度和分割手段也存在不同。通常來講,普適性的心臟分割算法能夠實現基本的區域分割,但是要實現精準分割還是需要對單獨區域進行單獨處理。相對而言,右心室(RV)的分割難度更大,我們就以此爲例分析一下其存在的難點。
二、難點分析
1. 區域本身的困難
心臟分割問題中,每個區域的形態、工作方式不同,從而導致了每個區域的分割方法和難點也不同。以右心室爲例,其存在的難點有:
- 在腔內存在與心肌相似的信號強度;
- 右心室新月形形狀複雜,從基部到頂點一直變化;
- 分割頂點圖像的切片十分困難;
- 患者的心室內形態和信號強度差異大,且可能有病理改變;
- 簡單來講,左心室是一個厚壁的圓柱形區域,而右心室是一個不規則形狀的物體,較薄的心室壁有時會與周圍的組織混在一起。
下面用幾組圖片來感受一下這種分割問題的困難。下圖是右心室的MRI圖片:
再困難一點:
而對於未訓練過的肉眼,右心室區域是這樣的:
2. 數據庫的困難
對基於深度學習的醫學圖像分割方法而言,數據庫的獲取是最主要的困難。通常,相對大規模的數據庫的圖片規模在幾千張圖片,其中已標註的通常只有幾百張,患者個體數就更少了;而小一點規模的數據集則遠遠小於這個數量。這種體量的數據庫對於無監督或弱監督網絡也許夠用,但是對於有監督網絡的訓練而言,是遠遠不夠的。
與其他數據不足的場景相同,醫學圖像也可以藉助數據擴張實現網絡的訓練。比如下圖所示,通過隨機旋轉、平移、縮放、裁剪、彈性形變等手段,對原始圖像進行變換:
三、應用實例
1. 心室分割
- 基於FCN網絡結構實現左、右心室分割:
Phi V. T… A Fully Convolutional Neural Network for Cardiac Segmentation in Short-Axis MRI[C]. CVPR 2016.
- 基於多尺度殘差稠密網絡實現心室分割:
Khened M., Kollerathu V. A., and Krishnamurthi G. Fully Convolutional Multi-scale Residual DenseNets for Cardiac Segmentation and Automated Cardiac Diagnosis using Ensemble of Classifiers[J]. Medical Image Analysis, 2019.
2. 完整心臟分割
- 基於P3D和FPN實現完整的心臟分割:
Zhanwei X., Ziyi W., and Jianjiang F…CFUN: Combining Faster R-CNN and U-net Network for Efficient Whole Heart Segmentation[C]. CVPR 2018.
四、總結
本文簡要介紹了醫學圖像分割應用領域內的心臟分割,包括心室分割和全心臟分割。在進行任務分析和難點解讀後,給出了幾個應用範例。
原文鏈接:
分享知識、尊重原創、支持原創
作者:有三AI
鏈接:https://www.jianshu.com/p/37993631d244