SLAWT2016——左心房壁厚分割
今天将分享左心房壁厚分割完整实现版本，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、SLAWT2016介绍
肺静脉隔离 (PVI) 通常是转诊心房颤动 (AF) 导管消融患者的第一个手术。指数 PVI 的程序成功率在 15-75% 之间变化。造成这种情况的一个重要原因可能是由于导管尖端与组织接触不足而形成非透壁病变。最近的发展使测量导管尖端接触心肌的力成为可能。然而，为了确定最佳射频功率和应用时间，还需要了解局部心肌厚度。使用心脏计算机断层扫描 (CCT) 的无创 3 维成像可以准确地提供有关左心房 (LA) 壁厚度的信息。新的序列设计还能够使用心脏磁共振 (CMR) 获得 LA 壁厚度。在评估临床效用之前，需要确定这些参数的可靠性。
二、SLAWT2016任务
这项挑战的任务是 MRI 和 CT 的左心房壁厚度分割算法。参与者将提供不同难度的 CT (n=10) 和 MRI (n=10) 数据集。
三、SLAWT2016数据集
CT 数据集可以下载，也可以下载心房壁和腔室数据集上的手动标签。还可以使用 MRI 数据集及其手动标记。挑战中包含的图像由 MRI (n=10) 和 CT (n=10) 数据集组成。MRI 图像以 1.4 mm 各向同性分辨率采集，所有图像均在 Philips 3T Achieva 上采集，配备 3D FLASH，典型 FOV：280 x 190 x 120 mm，1.4-mm 各向同性分辨率，FA：20°，TE/TR/TI：2.7/5.9/120 ms。使用铅笔束导航仪实现呼吸门控，平均扫描时间为 12 分钟。心脏触发用于确保在心房舒张中期进行数据采集。CT 图像以 0.5 mm 的平面内分辨率和 1 mm 的切片厚度获得，冠状动脉 CTA 在 Philips 256 iCT 扫描仪上进行。所有患者均注射了静脉造影剂。扫描是在一次屏气中进行 ECG 门控的。图像被重建为 0.8 至 1 mm 的切片厚度，切片增量为 0.4 mm，视野为 250 mm。图像矩阵保持在 512 × 512 矩阵，用锐利的重建内核构建。
四、技术路线
通过分析CT和MR数据，CTA左心房和左心房血池标注有10例，MR左心房壁和左心房血池标注只有3例。所以本文只在CTA数据上来分割左心房壁。
1、CTA左心房壁分割采用两个网络来完成，第一个网络用来分割整个左心房，第二个网络根据左心房的ROI区域进一步来分割左心房壁。
2、左心房分割任务
2.1、去除多余背景区域，采用固定阈值（-100，最大像素值）对CTA进行二值化处理，再进行形态学开操作（核大小是3）和最大连通域得到ROI区域。
2.2、统计ROI平均大小是512x488x395，Spacing平均大小是0.427x0.427x0.434。将ROI图像缩放到固定大小256x256x256，采用窗宽窗位截断（-100，800）后采用z-score归一化方式归一化数据，一共10例数据，9例用于训练集，1例用于验证集，由于训练数据很少，需要进行10倍数据增强处理（平移，旋转，翻转等）。
2.3、搭建UNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用二分类的dice和交叉熵。
2.4、训练结果和验证结果
2.5、验证集分割结果
左图是金标准结果，右图是预测结果。
3、左心房壁分割任务
3.1、生成左心房壁mask数据，根据左心房mask减去左心房血池区域mask来获取的。
3.2、左心房ROI提取，对左心房mask进行形态学膨胀（核大小是5），再使用最大连通域得到左心房ROI区域。统计ROI平均大小是212x149x162，Spacing平均大小是0.427x0.427x0.434。将ROI图像缩放到固定大小224x160x176，采用窗宽窗位截断（-100，800）后采用z-score归一化方式归一化数据，一共10例数据，9例用于训练集，1例用于验证集，由于训练数据很少，需要进行10倍数据增强处理（平移，旋转，翻转等）。
3.3、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是2，epoch是300，损失函数采用二分类的dice和交叉熵。
3.4、训练结果和验证结果
3.5、验证集分割结果
左图是金标准结果，右图是预测结果。
4、测试集结果
左图是左心房预测分割结果，右图左心房壁预测分割结果。
为了方便大家更高效地学习，我将代码进行了整理并更新到github上，点击https://github.com/junqiangchen/PytorchDeepLearing即可访问。由于之前都是使用tensorflow1.14的进行代码实验开发的，为了方便pytorch的朋友们也可以复现实验结果，我将tensorflow版本的代码翻译转换成pytorch版本的。
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。