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