前往小程序,Get更优阅读体验!
立即前往
发布
社区首页 >专栏 >Top_Cow 2023——用于CTA和MRA的Willis环的拓扑解剖结构分割

Top_Cow 2023——用于CTA和MRA的Willis环的拓扑解剖结构分割

作者头像
医学处理分析专家
发布2023-08-17 09:18:39
发布2023-08-17 09:18:39
3520
举报
文章被收录于专栏:最新医学影像技术

今天将分享CTA和MRA的Willis环的拓扑解剖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、Top_Cow 2023介绍

威利斯环 (CoW) 是连接大脑前循环和后循环以及左右大脑半球的重要动脉吻合网络。由于其中心地位,CoW 通常涉及动脉瘤和中风等疾病。临床上,CoW的血管结构被认为会影响中风的发生和严重程度。因此,对 CoW 的准确表征具有重要的临床意义。然而临床医生明确表达了对分析和比较CoW血管结构的高效软件工具的未满足需求。从医学血管造影图像评估CoW的解剖结构和血管成分仍然是一项专家任务且耗时。此外,CoW自然有许多解剖学变体。据估计,我们人口中只有大约一半拥有完整的CoW。CoW的解剖结构因人而异也不例外。自动化和个性化的CoW血管特征将引起临床和研究界的极大兴趣。

在这里,提出了第一个关于 CoW 血管结构提取和脑血管片段注释的公开挑战,两种常见的血管造影成像方式,即磁共振血管造影(MRA)和计算机断层扫描血管造影(CTA)。确定了高质量解剖注释、更新的成像数据集和多种模式的数据集之间的差距。通过发布一个涵盖 CTA 和 MRA 的公共数据集,并对脉管系统进行仔细注释,希望促进对 CoW 血管分割结果的研究和更好的基准比较。

二、Top_Cow 2023任务

目的是从3D血管造影成像中提取 CoW 血管结构。有两个子任务:CoW 血管的二元分割和多类 CoW 解剖分割。提取的血管应保留基础解剖结构的拓扑结构,将评估基于拓扑的指标的分割性能。该挑战旨在获得血管特征,以捕捉CoW 的基本拓扑结构和几何变异性。

一共有两个模态任务可以选择,一个是CTA模态,一个是MRA模态。

分割任务分为两个(子)任务:CoW 血管的二元分割和多类 CoW 血管解剖分割。

三、Top_Cow 2023数据集

挑战数据队列由2018年和2019年苏黎世大学医院 (USZ) 中风中心收治的患者组成。挑战数据的纳入标准是:1) MRA 和 CTA 扫描均适用于该患者;2) 至少 MRA 或 CTA 允许评估Cow的解剖结构和几何形状。挑战队列的患者是从中风相关的神经系统疾病中恢复,包括缺血性中风、短暂性脑缺血发作、拟中风、视网膜梗塞或一过性黑蒙、脑出血和脑窦静脉血栓形成。

使用的两种成像方式是:计算机断层扫描血管造影 (CTA) 和飞行时间磁共振血管造影 (TOF-MRA) 或 MRA。这些数据是在苏黎世大学医院 (USZ) 按照 MRA 和 CTA 标准程序进行例行检查期间获得的。MRA 扫描通常由 SIEMENS Skyra 模型或 Avanto Fit 模型获取,磁场强度为 3 特斯拉或 1.5 特斯拉,并使用 TOF-3D 模式或 TOF-3D 多平板模式。CTA 通常由 SIEMENS SOMATOM Definition Flash 使用 Dual Energy 获取。对于 CTA,体素大小在 XY 维度上的范围从大约 0.34 到 0.53 毫米,在 Z 维度上的范围从大约 0.62 到 0.75 毫米。对于 MRA,体素大小在 XY 维度上的范围从大约 0.29 到 0.35 毫米,在 Z 维度上的范围从大约 0.5 到 0.6 毫米。数据是匿名的(相关 DICOM 患者信息的删除和匿名化)。执行额外的去表面处理和裁剪程序以确保图像数据中的患者隐私。具体来说,我们屏蔽或剪切面部区域,然后裁剪图像数据以仅包含脑壳区域。

标注的CoW血管成分为左右颈内动脉(ICA)、左右大脑前动脉(ACA)、左右大脑中动脉(MCA)、前交通动脉(Acom)、左右后交通动脉动脉 (Pcom)、左右大脑后动脉 (PCA) 和基底动脉 (BA)。仅对诊断 CoW 血管结构和变体所需的血管成分和区域进行了注释。

最初的CoW注释由接受过临床专家的CoW解剖学教育的研究人员手动标记体素。注释者不确定的案例被标记后再发送给临床专家进一步验证和批准。临床专家团队由神经放射科医生、神经科医生和神经外科医生组成。关于如何在ACA-ICA-MCA、ACA-Acom、PCA-Pcom、Pcom-ICA等分叉点处分割血管成分的注释协议,由临床专家讨论并达成一致。

还提供了CoW感兴趣区域 (ROI) 注释了 3D 边界框。CoW ROI 定义为捕获 CoW 解剖变体的 3D 边界框。为所有训练案例发布带注释的 CoW ROI。请注意,分割结果的评估仅限于感兴趣的 CoW 区域。

训练、验证和测试用例都有 MRA 和 CTA 联合模态对,每个模态都有一次扫描。任务是在 MRA 或 CTA 中分割 CoW 血管(任务 1)和 CoW 区域(任务 2)上的解剖结构。

训练数据集:90 名患者(已发布图像和注释)

验证集:10 名患者(图像公开但没有注释)

测试集:30 名患者(未公开)

除了上述 TopCoW 挑战数据外,我们还发布了来自 CROWN 挑战的 20 个 MRA 用于训练,并有 10 个案例进行测试(总共 30 个 MRA)。

诊断 CoW 血管结构所需的所有 CoW 血管组件均按体素进行注释。对于不同的 CoW 血管段,多类标签包含不同的体素值——0:背景,1:BA,2:R-PCA,3:L-PCA,4:R-ICA,5:R-MCA,6:L-ICA,7:L-MCA,8:R-Pcom, 9:L-Pcom,10:Acom,11:R-ACA,12:L-ACA,15:3rd-A2

对于二进制分割任务,通过组合多类标签提供单独的二进制容器标签——0:背景,1:CoW血管

评价指标:体积指标:Dice系数和CoW血管的中心线-Dice。基于拓扑的度量:Betti 数值的误差,例如连通分量和圆孔。基于图形的指标:基于路口/地标的 F1 分数。

四、技术路线

MRA的CoW分割

1、人脑ROI区域提取,首先使用固定阈值(20,最大像素值)和形态学最大连通域法获取整个人体ROI区域。

2、分析ROI图像,得到图像平均大小是450x549x160,因此将图像缩放到固定大小320x320x160。图像预处理,对ROI图像采用均值为0,方差为1的方式进行归一化处理。然后将数据分成训练集和验证集,对训练集做10倍数据增强处理。

3、搭建VNet3d网络,使用AdamW优化器,学习率是0.001,batchsize是1,epoch是300,损失函数采用二值化的dice和交叉熵。

4、训练结果和验证结果

5、根据Mask的范围得到威利斯环血管ROI范围,分析ROI图像,得到图像平均大小是168x154x76,因此将图像缩放到固定大小256x256x160。图像预处理,对ROI图像采用均值为0,方差为1的方式进行归一化处理。然后将数据分成训练集和验证集,对训练集做10倍数据增强处理。

6、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。

7、训练结果和验证结果

8、验证集分割结果

左图是金标准结果,右图是网络预测结果。

9、测试集分割结果

左图是金标准结果,右图是网络预测结果。

10、在CROWN2023数据集上分割结果

利用上述分割结果可以对威利斯环血管的前部和后部解剖结构变异进行分类,还可以用来计算威利斯环血管直径和分叉角计算。

CTA的CoW分割

1、人脑ROI区域提取,首先使用固定阈值(20,最大像素值)和形态学最大连通域法获取整个人体ROI区域。

2、分析ROI图像,得到图像平均大小是293x375x210,因此将图像缩放到固定大小256x256x240。图像预处理,对ROI图像采用均值为0,方差为1的方式进行归一化处理。然后将数据分成训练集和验证集,对训练集做10倍数据增强处理。

3、搭建VNet3d网络,使用AdamW优化器,学习率是0.001,batchsize是1,epoch是300,损失函数采用二值化的dice和交叉熵。

4、训练结果和验证结果

5、根据Mask的范围得到威利斯环血管ROI范围,分析ROI图像,得到图像平均大小是146x113x52,因此将图像缩放到固定大小256x256x160。图像预处理,对ROI图像采用均值为0,方差为1的方式进行归一化处理。然后将数据分成训练集和验证集,对训练集做10倍数据增强处理。

6、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。

7、训练结果和验证结果

8、验证集分割结果

左图是金标准结果,右图是网络预测结果。

9、测试集分割结果

左图是金标准结果,右图是网络预测结果。

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。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023-07-08,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 最新医学影像技术 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档