ACDC2017自动心脏诊断挑战：技术方案与实现

创作时间:

作者:

@小白创作中心

ACDC2017自动心脏诊断挑战：技术方案与实现

引用

来源

https://cloud.tencent.com/developer/article/2417469

ACDC2017（Automatic Cardiac Diagnosis Challenge 2017）是一项针对医学影像分析领域的挑战赛，旨在推动心脏MRI图像分割和病理分类技术的发展。虽然该挑战赛始于2017年，但其提出的技术方案和数据集至今仍具有重要的参考价值。本文将详细介绍ACDC2017的背景、任务、数据集以及技术实现方案。

ACDC2017介绍

过去十年中，MRI 心脏分割一直是一个突出的医学成像问题。过去几年中已经发表了数千篇关于该主题的论文。ACDC挑战，将为医学成像界提供有史以来最大的、完整注释的公共MRI心脏数据集。因此，数据集的丰富性及其与日常临床问题的紧密联系有可能重新定义计算机心脏分析的主题并重置该研究领域。此外，随着应用于医学成像的深度学习方法的兴起，对大型且注释良好的数据集的需求日益增长。ACDC挑战比以前的心脏挑战具有更大的范围，因为它有两种输出结果：图像分割结果和对每位患者的病理预测结果。此外，ACDC数据集包含右心室、左心室心内膜和心外膜壁的真实数据。

ACDC2017任务

ACDC2017挑战赛包含两个主要任务：

心脏结构分割：在舒张末期和收缩末期中将左心室心内膜和心外膜分割为右心室心内膜。
病理分类：对每位患者进行五类检查分类，包括正常情况、梗塞性心力衰竭、扩张型心肌病、肥厚型心肌病、右心室异常。

ACDC2017数据集

整个ACDC数据集是根据第戎大学医院获得的真实临床检查创建的。获取的数据完全匿名，并按照第戎医院（法国）当地伦理委员会制定的规定进行处理。数据集涵盖了几种明确的病理学，有足够的案例来（1）正确训练机器学习方法和（2）清楚地评估从电影 MRI 获得的主要生理参数（特别是舒张量和射血分数）的变化。该数据集由150个检查（全部来自不同患者）组成，分为5个均匀分布的亚组（4个病理组和1个健康受试者组），此外，每位患者还附带以下附加信息：体重、身高以及舒张期和收缩期时刻。5 个亚组分布如下：

A、30 名正常受试者——NOR
B、既往心肌梗死患者30例（左心室射血分数低于40%且多个心肌节段收缩异常）——MINF
C、30 名扩张型心肌病患者（舒张期左心室容积 >100 mL/m2 且左心室射血分数低于 40%）——DCM
D、肥厚型心肌病30例（左心室心脏质量大于110g/m2，舒张期多个心肌节段厚度大于15mm，射血分数正常）——HCM
E、右心室异常（右心室容积大于110mL/m2或右心室射血分数小于40%）30例——RV

每个分组根据生理参数明确定义，例如左或右舒张期或射血分数、左室局部收缩、左室质量和心肌最大厚度。

数据采集是在6年的时间内使用两台不同磁场强度的 MRI 扫描仪（1.5 T（Siemens Area，Siemens Medical Solutions，德国）和 3.0 T（Siemens Trio Tim，Siemens Medical Solutions，德国））获得的。电影MR图像是在屏气时通过回顾性或前瞻性门控以及短轴方向的SSFP序列获取的。特别是，一系列短轴切片从底部到顶点覆盖 LV，厚度为5毫米（有时为 8 毫米），有时切片间隙为 5 毫米（然后每 5 或 10 毫米一张图像）。空间分辨率从 1.37 到 1.68 mm2/像素，28到40个图像完全或部分覆盖心动周期（在第二种情况下，使用前瞻性门控，仅省略了心动周期末尾的 5% 到 10%）。

训练数据库由 100 名患者组成，如下：20名健康患者；既往有心肌梗塞患者20例；扩张型心肌病20例；肥厚型心肌病患者20例；右心室异常患者20例；对于所有这些数据，还提供了一位临床专家给出的相应手册参考以及患者的附加信息（年龄、体重、身高和舒张期-收缩期瞬时值）。

测试数据库由50名患者组成，如下：10名健康患者；既往有心肌梗塞史的患者10例；扩张型心肌病患者10例；肥厚型心肌病患者10例；右心室异常患者10例；对于所有这些数据，还提供了一位临床专家给出的相应手册参考以及患者的附加信息（年龄、体重、身高和舒张期-收缩期瞬时）。

下载链接：
https://humanheart-project.creatis.insa-lyon.fr/database/#collection/637218c173e9f0047faa00fb

人工标注协议：对于像素精确的金标准，是由两位各自拥有 10 年以上经验的心脏病专家在舒张期和收缩期的短轴切片上手动绘制的。具体来说，左心室心内膜和心外膜边界的手动追踪是由经验丰富的标注人员进行的。这些轮廓的验证是由该领域的两位独立专家完成的。准确性尤其突出，因为正确选择了心室底部的第一个切片（这对于右心室尤其重要）。第一位专家（10 年经验）纠正并验证轮廓。然后来自另一所大学医院的第二位专家（20年经验）再次可以进行一些小的修正并验证轮廓，如果存在分歧，专家之间达成共识。定义了以下规则：左心室和右心室最多必须被覆盖（根据现有数据），乳头肌包含在左腔中，在左心室的基底平面上没有肌肉的插值（轮廓遵循主动脉瓣定义的限制），漏斗部不包含在右腔中（必须看到清晰的分离）。创建金标准标签图像，其中 0、1、2 和 3 代表位于背景、右心室腔、心肌和左心室腔的体素。

评价指标
分割：临床指标，临床指标是心脏临床实践中使用最广泛的指标。此外，针对每个结构（即左心室腔、右心室腔和心肌）计算一组度量。距离误差指标：每个结构（即左心室腔、右心室腔和心肌）计算一组几何度量。

分类：预测准确性度量以及相应的混淆矩阵。

技术路线

任务一、心脏结构分割

分析图像，得到图像平均大小是216x256x9，因此将图像缩放到固定大小256x256x32。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。
搭建VNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是8，epoch是300，损失函数采用多类别的dice和交叉熵。
训练结果和验证结果

任务二、五大病理类别分类

分析图像，根据心脏Mask得到图像ROI，如下所示，ROI图像平均大小是70x64x9，因此将ROI图像缩放到固定大小64x64x32。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。
搭建ResNet3d网络，使用AdamW优化器，学习率是0.001，batchsize是64，epoch是300，损失函数采用交叉熵。
训练结果和验证结果