A Deep Learning Network for Right Ventricle Segmentation in Short-Axis MRI

Abstract

MRI上右心室（RV）心肌的分割是评估RV结构和功能的先决条件，对于肺动脉高压，先天性心脏病，冠心病等大多数心脏疾病和发育不良的诊断具有重要意义。 然而，RV分割被认为具有挑战性，主要是因为跨越切片和阶段的RV的复杂新月形状。因此，本研究旨在提出一种基于深度学习分割RV心内膜和心外膜的新方法。提出的方法具有两个子任务：（1）定位ROI，双心室区域包含更有意义的特征并且可以促进RV分割，（2）根据定位分割RV心肌。这两个子任务被集成到一个联合任务学习框架中，其中每个任务通过两个多层卷积神经网络来解决。实验结果表明，该方法具有进一步研究和应用于临床诊断的巨大潜力。

1.Introduction

大部分的研究关注LV的分割，因为左心室是最大的心脏腔。相比于LV，RV的分割问题获得了越来越多的关注在最近几年，伴随着对于RV功能认识的增加。例如，一些心脏疾病如肺动脉高压，心肌病和发育不良都与RV有关。在心脏病的实际临床诊断中，心脏磁共振（CMR）是一种重要的成像方式，因其具有无创检测，低辐射剂量和高成像质量等特殊优点而得到广泛应用。一般而言，CMR被认为是心脏病诊断的金标准，特别是在LV和RV功能评估中。 因此，在本文中，本研究的主要方式是CMR。与LV相比，RV分割问题具有更多困难，例如，复杂的新月形状，小梁的存在和相对较薄的心室壁。 因此，在MICCAI 2012的RV分割研讨会之后，相对较少的工作集中在RV分割上。 LV分割的方法可分为两类：基于传统图像处理的方法和基于深度学习的方法。