CAMUS2019——超声心动图心脏结构分割

今天将分享超声心动图心脏结构分割完整实现版本，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、CAMUS2019介绍

30 多年来，二维超声心动图图像的精确分割一直是一个持续存在的问题。其原因有三个：i) 超声心动图图像的本质（对比度差、亮度不均匀、沿心肌的散斑图案变化、群体内显着的组织回声变化等）使得难以准确定位心脏区域；ii) 缺乏公开的大规模二维超声心动图数据集；iii）缺乏对大型数据集的多专家注释来评估最小误差范围，在该误差范围内，分割方法将被认为与人类专家一样准确。

尽管这些原因已被业界广泛接受，但在过去几十年中已经提出了大量超声心动图图像分割方法。不幸的是，其中大部分已经在小型私人数据集（通常有几十名患者）上得到了验证，因此几乎不可能与其他方法进行比较。因此，由于全自动心脏分割方法缺乏准确性和可重复性，临床上仍然使用半自动或手动注释。

二、CAMUS2019任务

超声心动图左心室心内膜，左心室心外膜，左心房分割。

三、CAMUS2019数据集

整个CAMUS数据集由500名患者的临床检查组成，这些数据在圣艾蒂安大学医院（法国）获得，并在完全匿名后按照医院当地伦理委员会制定的规定纳入本研究。采集经过优化以执行左心室射血分数测量。为了加强临床现实性，既没有执行先决条件，也没有执行数据选择。因此，有些案件难以追踪；数据集涉及多种采集设置；对于一些患者来说，图像中看不到部分墙壁；在某些情况下，根本不可能遵循获取严格的四腔视图的探头方向建议，而是获取了五腔视图。这产生了在图像质量和病理病例方面高度异质的数据集，这是日常临床实践数据的典型特征。

该数据集已在此处向社区提供。该数据集包括：i) 450 名患者的训练集以及基于一位临床专家分析的手动标记；ii) 由 50 名新患者组成的测试集。原始输入图像通过 raw/mhd 文件格式提供。

下载链接：

https://humanheart-project.creatis.insa-lyon.fr/database/#collection/6373703d73e9f0047faa1bc8

数据集中一半人的左心室射血分数低于45%，因此被认为存在病理风险（超出测量的不确定性）。此外，19% 的图像质量较差（基于一位专家的意见），表明对于该亚组，左心室内膜和左心室外膜的定位以及临床指标的估计在临床上不被认为是准确的并且可行。在经典分析中，由于临床无用，质量较差的图像通常会从数据集中删除。因此，在计算不同指标期间，这些数据并未参与该项目，而是用于研究它们的影响，作为深度学习技术的训练和验证集的一部分。

完整数据集是从 GE Vivid E95 超声扫描仪（GE Vingmed Ultrasound，挪威霍滕）和 GE M5S 探头（GE Healthcare，美国）获取的。除了临床常规中使用的方案外，没有制定任何其他方案。对于每位患者，从 EchoPAC分析软件（GE Vingmed Ultrasound，Horten，挪威）导出 2D 心尖四腔和两腔视图序列。选择这些标准心脏视图是为了能够根据辛普森椎间盘双平面方法估计左心室射血分数值。每个导出的序列对应于一组以极坐标表示的 B 模式图像。使用相同的插值程序以具有独特网格分辨率的笛卡尔坐标表示所有序列，即沿 x 轴（平行于探针的轴）λ/2 = 0.3 mm，沿 z 轴 λ/4 = 0.15 mm （垂直于探头的轴），其中 λ 对应于超声探头的波长。每个视图中的每位患者至少获得一个完整的心动周期，从而可以在 ED 和 ES 处手动注释心脏结构。

训练数据集由 450 名患者组成，如下：366 例图像质量良好/中等的患者；84例图像质量较差的患者；222名射血分数低于45%的患者；87 名患者的射血分数高于 55%。对于所有这些数据，提供了一位心脏病专家给出的手动标记以及附加信息（舒张期-收缩期瞬时）。

测试数据集由 50 名患者组成，如下：40名图像质量良好/中等的患者；10名图像质量较差的患者；射血分数低于45%的患者24例；10 名患者的射血分数高于 55%。对于所有这些数据，提供了一位心脏病专家给出的手动标记以及附加信息（舒张期-收缩期瞬时）。

根据美国超声心动图协会和欧洲心血管影像协会的建议，在舒张末期（ED）和收缩末期（ES）心尖四腔和两腔视图上手动绘制轮廓。由于CAMUS 数据集中涉及的一些患者因临床状况而存在不可利用的心电图，根据建议，将 ED（ES）定义为心动周期中左心室尺寸最大的帧（最小）。虽然仅需要提取左心室心内膜 (LV Endo) 轮廓来估计左心室射血分数值，但还要求心脏病专家为所有患者手动勾勒出左心室心外膜 (LV Epi) 和左心房 (LA) 的轮廓。这样做是为了研究同时分割多个结构对左心室心内膜分割性能的影响。建立了以下协议。

LV Endo：常规用于左室壁、二尖瓣平面、小梁、乳头肌和心尖。基本要点是 i) 包括左室腔内的小梁和乳头肌；ii) 保持 ED 和 ES 时刻之间的组织一致性；iii) 在亮脊心室侧的二尖瓣平面中终止轮廓，在瓣叶铰接的点处；iv) 通过从间隔二尖瓣铰点到间隔壁绘制以创建平滑的形状，将左心室流出道部分排除在腔外。

LV Epi：不建议描绘心外膜 因此，将心外膜概述为前段、前外侧段和下段的心包膜和心肌之间的界面，以及下间隔段的右心室腔和隔膜之间的边界。

LA：有关于 LA 分割的建议，以评估专用 LA 记录中的完整 LA 区域。然而，由于使用了针对LV的采集，部分数据集并未覆盖整个 LA 表面，因此不适合执行此类测量。考虑到这一点，使用了以下轮廓绘制方案：i) 从 LV Endo 轮廓的末端开始绘制 LA 轮廓，即瓣叶铰接的点 ii) 让轮廓经过 LA 内边界。

评价指标

临床指标是心脏临床实践中最广泛使用的指标，左心室腔：根据舒张末期容积 (EDV) 测量值计算得出的相关系数；根据收缩末期容积 (ESV) 测量值计算得出的相关系数；根据射血分数 (EF) 测量值计算得出的相关系数；根据 EDV 测量集计算出的偏差；根据 ESV 测量集计算出的偏差；根据 EF 测量集计算出的偏差；根据 EDV 测量集计算得出的一致性限度（LOA = 1.96 倍标准差）；根据 ESV 测量集计算得出的一致性限度（LOA = 1.96 倍标准差）；根据 EF 测量值计算得出的一致限（LOA = 1.96 倍标准差）。

每个结构计算一组几何度量，即左心室心内膜 (LV endo)、左心室心内膜 (LV epi) 和左心房 (LA)，计算以下指标，左心室心内膜：ED 时左心室腔的平均 Dice 值。ES 时左心室腔的平均 Dice 值。ED 时左心室心内膜轮廓的平均绝对距离。ES 处左心室心内膜轮廓的平均绝对距离。ED 时左心室心内膜轮廓的平均豪斯多夫距离。ES 时左心室心内膜轮廓的平均豪斯多夫距离。左心室心内膜：ED 时由心肌和左心室腔组成的区域的平均 Dice 值。ES 处由心肌和左心室腔组成的区域的平均 Dice 值。ED 时左心室心外膜轮廓的平均绝对距离。ES 处左心室心外膜轮廓的平均绝对距离。ED 时右心室心外膜轮廓的平均 Hausdorff 距离。ES 时右心室心外膜轮廓的平均 Hausdorff 距离。左心房：ED 时左心房区域的平均 Dice 值。ES 时左心房区域的平均 Dice 值。ES 处左心房轮廓的平均绝对距离。ED 处左心房轮廓的平均绝对距离。ED 处左心房轮廓的平均豪斯多夫距离。ES 处左心房轮廓的平均豪斯多夫距离。

四、技术路线

任务一、超声心动图2d结构分割

1、将图像缩放到固定大小512x512。图像预处理，再采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集，并对训练数据进行数据增强扩增5倍。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是48，epoch是300，损失函数采用多类别的dice和交叉熵。

3、训练结果和验证结果

4、验证集部分分割结果

任务二、超声心动图3d结构分割

1、将图像缩放到固定大小512x512x48。图像预处理，再采用均值为0，方差为1的方式进行归一化处理，再将数据分成训练集和验证集，并对训练数据进行数据增强扩增5倍。

2、搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是1，epoch是300，损失函数采用多类别的dice和交叉熵。

3、训练结果和验证结果

4、验证集部分分割结果

左边是金标准结果，右边是预测结果。

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。