心房颤动 (AF) 是最常见的心律失常形式,与大量的发病率和死亡率相关。由于缺乏对直接维持人类心房中房颤的潜在心房解剖结构的基本了解,目前房颤的临床治疗效果不佳。近年来,晚期钆增强磁共振成像(LGE-MRI)被广泛用于研究纤维化/疤痕,利用LGE-MRI对房颤患者进行的临床研究表明,心房纤维化的程度和分布可用于可靠地预测消融成功率。因此,直接分析AF患者的心房结构对于提高对AF的理解和针对患者的针对性治疗至关重要。
在2018 年左心房挑战的基础上,这一新挑战扩大到包括左心房和右心房及其壁,重点关注 LGE-MRI 的多类机器学习,以增强房颤患者的消融。它使用200个多中心3D LGE-MRI(该领域最大的数据集)测试分割和生物标志物识别(如心房体积和纤维化)的方法,每例扫描都由三位专家精心标记。这些新的人工智能和临床方法不仅在心脏分析中发挥了重大范式转变,而且有可能应用于各个医学领域,旨在完善治疗持续性心房颤动的消融策略。
二、MBAS2024任务
LGE-MRI图像上的三类解剖结构分割:左心房,右心房,房壁。
三、MBAS2024数据集
提供最大的双心房 LGE-MRI 数据集,包括 70 个用于训练的 3D LGE-MRI 扫描、30 个用于验证,以及另外 100 个指定用于最终测试阶段的扫描。
数据集下载地址:
https://codalab.lisn.upsaclay.fr/competitions/18516#learn_the_details-overview
评价指标:Dice 相似系数 (DSC) 和 95% Hausdorff 距离 (HD95) 指标。
四、技术路线
1、人体ROI区域提取,采用固定阈值和最大连通域法得到人体ROI,从原图和Mask中提取ROI区域。
2、分析ROI图像,得到图像平均大小是580x404x44,因此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。
3、搭建VNet3d网络,使用AdamW优化器,学习率是0.001,batchsize是1,epoch是200,损失函数采用多类别的dice和交叉熵。
4、训练结果和验证结果
5、验证集分割结果
左图是金标准结果,右图是预测分割结果。
6、测试集分割结果
提交分割结果后,可以看到LA的dice为0.8599,HD95为7.4469,RA的dice为0.8271,HD95为7.2883,Wall的dice为0.5810,HD95为5.1900。