医工互联

 找回密码
 注册[Register]

手机动态码快速登录

手机号快速登录

微信登录

微信扫一扫,快速登录

QQ登录

只需一步,快速开始

查看: 301|回复: 0
收起左侧

图像分割在医学影像学中的应用(二)

[复制链接]

  在线 

发表于 2022-11-2 05:40:46 | 显示全部楼层 |阅读模式 <
这是专栏《图像分割应用》的第2篇文章,本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。
相比较脑区域分割,医学图像中的心脏分割问题要更复杂,因为心脏是一个不停运作的器官,其形状也会在运动过程中发生变化。本文我们就来看看医学图像分割之心脏分割。
  
1 任务分析
心脏是我们身体内的一个重要器官,拥有一个健康、稳定工作的心脏是我们探索、创造和感知世界的必要条件。然而,各种各样的心脏类疾病也严重威胁着许多人的生命。为了有效治疗和预防这些疾病,精准计算、建模和分析整个心脏结构对于医学领域的研究和应用至关重要。
目前,这个问题的解决仍然需要依赖大量的人工。这样做不仅耗时,而且精度有时难以保证。因此,需要实现心脏区域的自动分割用于解决心脏医疗领域的实际问题。在众多手段中,基于神经网络的方法具有明显优势。以2016年Kaggle发起的左心室分割挑战为例,三名获奖者所使用的方法都是深度学习。
在心脏分割问题中,通常按结构将心脏分成几个标注区域。比如以MM-WHS数据库为例,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(te right atrium blood cavity, RA)
  • 升主动脉(the ascending aorta, AA)
  • 肺动脉(the pulmonary artery, PA)
064513yrg11s6kqradk6gl.jpeg

这些区域由于本身的特性,其难易程度和分割手段也存在不同。通常来讲,普适性的心脏分割算法能够实现基本的区域分割,但是要实现精准分割还是需要对单独区域进行单独处理。相对而言,右心室(RV)的分割难度更大,我们就以此为例分析一下其存在的难点。
  
2 难点介绍
1. 区域本身的困难
心脏分割问题中,每个区域的形态、工作方式不同,从而导致了每个区域的分割方法和难点也不同。以右心室为例,其存在的难点有:


  • 在腔内存在与心肌相似的信号强度
  • 右心室新月形形状复杂,从基部到顶点一直变化
  • 分割顶点图像的切片十分困难
  • 患者的心室内形态和信号强度差异大,且可能有病理改变
简单来讲,左心室是一个厚壁的圆柱形区域,而右心室是一个不规则形状的物体,较薄的心室壁有时会与周围的组织混在一起。
下面用几组图片来感受一下这种分割问题的困难。下图是右心室的MRI图片:
064514jvakldz99x9p2vph.jpeg

再困难一点:
064514ye926wkw2zyzf68z.png

而对于未训练过的肉眼,右心室区域是这样的:
064515zx2l5i5l2rhuur2g.png

2. 数据库的困难
对基于深度学习的医学图像分割方法而言,数据库的获取是最主要的困难。通常,相对大规模的数据库的图片规模在几千张图片,其中已标注的通常只有几百张,患者个体数就更少了;而小一点规模的数据集则远远小于这个数量。这种体量的数据库对于无监督或弱监督网络也许够用,但是对于有监督网络的训练而言,是远远不够的。

与其他数据不足的场景相同,医学图像也可以借助数据扩张实现网络的训练。比如下图所示,通过随机旋转、平移、缩放、裁剪、弹性形变等手段,对原始图像进行变换:
064515wapgcxp6ceyza8xe.png

  
3 应用实例
1. 心室分割
基于FCN网络结构实现左、右心室分割:
Phi V. T.. A Fully Convolutional Neural Network for Cardiac Segmentation in Short-Axis MRI[C]. CVPR 2016.
064516tmmzhzwvihi57xmw.jpeg

基于多尺度残差稠密网络实现心室分割:

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.
064517hbmgbjmiba8jgg00.png

2. 完整心脏分割
基于P3D和FPN实现完整的心脏分割:
Zhanwei X., Ziyi W., and Jianjiang F.. CFUN: Combining Faster R-CNN and U-net Network for Efficient Whole Heart Segmentation
[C]. CVPR 2018.

064517bk0p5ivdqvretccr.png

总结
本文简要介绍了医学图像分割应用领域内的心脏分割,包括心室分割和全心脏分割。在进行任务分析和难点解读后,给出了几个应用范例。
064518ysj1q2ztq7xqspqi.png

“哪吒头”—玩转小潮流

来源:https://blog.csdn.net/weixin_40920183/article/details/106718073
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!
回复

使用道具 举报

提醒:禁止复制他人回复等『恶意灌水』行为,违者重罚!
您需要登录后才可以回帖 登录 | 注册[Register] 手机动态码快速登录 微信登录

本版积分规则

发布主题 快速回复 收藏帖子 返回列表 客服中心 搜索
简体中文 繁體中文 English 한국 사람 日本語 Deutsch русский بالعربية TÜRKÇE português คนไทย french

QQ|RSS订阅|小黑屋|处罚记录|手机版|联系我们|Archiver|医工互联 |粤ICP备2021178090号 |网站地图

GMT+8, 2024-11-5 14:39 , Processed in 0.319213 second(s), 65 queries .

Powered by Discuz!

Copyright © 2001-2023, Discuz! Team.

快速回复 返回顶部 返回列表