32、基于深度学习与稀疏表征的心脏 MRI 分析技术

基于深度学习与稀疏表征的心脏 MRI 分析技术

在心脏疾病的诊断和研究中，心脏磁共振成像（MRI）发挥着重要作用。然而，对心脏 MRI 数据进行准确、稳健的结构分割仍是一项具有挑战性的任务。本文将详细介绍一种基于深度学习的心脏 MRI 分割方法，以及后续的形状细化和 3D 建模技术。

1. 基于深度学习的心室分割

传统的心脏 MRI 边界分割方法虽取得了一定成果，但在电影 CMR 数据中准确分割心脏结构仍面临诸多挑战。电影 CMR 数据在心脏长轴分辨率低，短轴切片常存在不对齐问题，3D 深度学习方法效果不如 2D 方法。此外，心脏结构在舒张末期（ED）到收缩末期（ES）阶段形状和外观变化显著，基于可变形模型的方法需要良好的初始化，且易陷入局部极小值。

为解决这些问题，我们开发了一种端到端的框架用于电影 CMR 中多结构的自动分割。
- 网络架构 ：与直接使用 3D 数据进行分割的方法不同，我们专注于提高 2D 切片的分割效果。采用基于深度层聚合（DLA）的网络，在训练阶段，先对图像进行预处理和数据增强，然后使用多标签（右心室腔 RVC、左心室心肌 LVM、左心室腔 LVC 和背景）分割的深度神经网络进行端到端训练。测试时，未见过的测试图像先进行预处理，再通过训练好的网络得到分割结果。
- 预处理和数据增强 ：在端到端训练前，先对训练图像进行预处理。图像先进行归一化，使强度符合标准正态分布，在患者层面计算均值和标准差。然后将训练图像和对应的真实标签重采样到相同的空间分辨率。在深度神经网络训练过程中，采用多种数据增强策略，如随机直方图匹配、旋转、平移、缩放、弹性变形和镜像等，以避免模型过拟