一種基于深度學(xué)習(xí)的2.5D心臟分割算法

徐佳陳 龍翔

摘要：心臟動態(tài)核磁共振圖像的自動分割算法可以有效減少心血管科醫(yī)生壓力，其分割結(jié)果是評估心臟功能的金標(biāo)準(zhǔn)。文章提出了一種有效分割心臟動態(tài)核磁共振圖像的自動分割算法。該算法采用U形神經(jīng)網(wǎng)絡(luò)結(jié)果，根據(jù)心臟動態(tài)核磁共振圖像，網(wǎng)絡(luò)結(jié)構(gòu)分為目標(biāo)圖像下采樣層、相鄰時間片下采樣層、上采樣層和連接橋。與其他分割算法相比，文章提出的算法能夠更好地分割心臟圖像，分割效果更為精準(zhǔn)。

關(guān)鍵詞：圖像分割；心臟動態(tài)核磁共振圖像；Unet；醫(yī)學(xué)影像

中圖分類號：TP312文獻(xiàn)標(biāo)志碼：A

0 引言

心臟動態(tài)核磁共振技術(shù)由于其非入侵性、安全性以及無輻射性，在臨床上被廣泛地運用。根據(jù)左心室、右心室、左心肌的分割結(jié)果，醫(yī)生可以準(zhǔn)確地獲得心臟的大小、壁運動規(guī)律、心室功能以及流血速度等數(shù)據(jù)。心臟動態(tài)核磁共振技術(shù)是評估心臟瓣膜功能、心臟瓣膜反流、心臟缺血情況的金標(biāo)準(zhǔn)。然而，由于核磁共振技術(shù)本身成像時間長，心臟動態(tài)成像又需要準(zhǔn)確地包含完整的心臟運動周期，心臟動態(tài)核磁共振往往會放棄豐富的短軸信息來達(dá)成快速成像的效果。因此，心臟動態(tài)核磁共振具有短軸梯度過大、橫軸與縱軸信息豐富、短軸信息稀疏的特點。這增加了心臟動態(tài)核磁共振圖像自動分割的難度。為了獲得更好的分割效果，人們提出了很多針對心臟動態(tài)核磁共振圖像的算法。如Jiang^[1]等提出了一種以多尺度視覺注意力為基礎(chǔ)的U形神經(jīng)網(wǎng)絡(luò)，采用多種條狀卷積來代替大型卷積，從而獲得不同尺度的圖像信息。Alom^[2]提出了一種遞歸殘差結(jié)果，通過遞歸卷積積累特征量，利用殘差結(jié)果避免梯度爆炸現(xiàn)象的出現(xiàn)。

本文提出了一種通過時間信息增強圖像信息的2.5D分割算法，與以往的心臟分割算法相比，本文算法具有以下優(yōu)勢：（1）本文使用相鄰時間片的圖像信息彌補心臟動態(tài)核磁共振圖像的短軸信息，增加了分割圖像的信息量;（2）本文采用雙編碼路徑的方法，分別對收縮期末期和舒張期末期圖像以及相鄰時間片的圖像進(jìn)行編碼，既豐富了編碼信息又保證了編碼信息的準(zhǔn)確性。結(jié)果表明，本文所提算法的分割精度更高，具有更好的分割效果。

1 算法設(shè)計

本文所提的基于深度學(xué)習(xí)的2.5D心臟分割算法結(jié)構(gòu)如圖1所示，所采用的基本框架為Ronneberger^[3]提出的Unet結(jié)構(gòu)。Unet結(jié)構(gòu)由下采樣路徑、上采樣路徑和連接橋組成。其中，下采樣路徑的作用是提取特征，通過池化層獲得不同尺度下圖象的局部特征信息以提高卷積的感受野。上采樣路徑又被稱為還原路徑，其作用為將下采樣路徑提取出的高緯度低分辨率的特征圖提升至原始圖像大小的高分辨率圖，從而實現(xiàn)分割。連接橋的作用是將下采樣路徑的高緯度特征信息傳遞給相應(yīng)的上采樣路徑，從而避免了網(wǎng)絡(luò)在上采樣還原過程中特征丟失的情況。

本文算法根據(jù)心臟動態(tài)核磁共振圖像橫縱軸信息豐富、短軸信息少的特點，在Unet的基礎(chǔ)上對其下采樣路徑進(jìn)行改進(jìn)，形成了一種雙下采樣的2.5D分割網(wǎng)絡(luò)。

心臟動態(tài)核磁共振圖像是一種四維圖像，其第四維是時間維度。有效的心臟動態(tài)核磁共振圖像的時間軸應(yīng)包含一次完整的心臟運動周期。其中，收縮期末期和舒張期末期的圖像是心臟分割的目標(biāo)圖像。假設(shè)時間維度為t，收縮期末期為t_ed，舒張期末期為t_es，t_i時刻的三維圖像的維度表示為[x，y，z]，其中x為橫軸，y為縱軸，z為短軸。由于短軸層高過厚，梯度過大，若直接用三維卷積處理，則會有很強的卷積效應(yīng)從而導(dǎo)致分割效果過差。因此，本文將t_ed與t_es時刻的圖像沿短軸切分，形成xy平面的二維切片，將此二維切片作為目標(biāo)圖像輸入網(wǎng)絡(luò)的目標(biāo)圖像下采樣路徑。為了彌補心臟動態(tài)核磁共振圖像短軸信息量少的缺點，本文算法選擇與目標(biāo)圖像相鄰的2個時間片t_ed+1和t_es+1的xy平面圖像，將其與目標(biāo)圖像組成的相鄰時間片共同輸入網(wǎng)絡(luò)的相鄰時間片下采樣路徑。

在相鄰時間片下采樣路徑中，每一層都由2個卷積核大小為3×3的卷積層組成，并在每個卷積層后面都進(jìn)行歸一化處理。由于相鄰時間片之間心臟形變較小，除心臟邊緣會有收縮或擴張的形變外，內(nèi)部中間信息依舊有效。因此，相鄰時間片下采樣路徑能夠用時間信息來彌補短軸信息，從而提高了心臟內(nèi)部的分割效果。相鄰時間片所獲得特征可以表示為：

其中，t表示輸入的時間，取值為t_ed或者t_es，C_t表示在時間t下的特征圖，P_n為卷積核的任意采樣點，w_Pn是卷積核在該點的權(quán)重值，C_t（P_n+P₀）表示特征圖在P_n+P₀位置的值。

在相鄰時間片t_ed+1或t_es+1的圖像中，心臟的邊緣信息會因為心臟的收縮或者擴張運動發(fā)生偏差，因此需要目標(biāo)圖形提供更精準(zhǔn)的邊緣信息。而目標(biāo)圖像下采樣路徑由2個卷積核大小為3×3的可變形卷積層以及歸一化組成。相較于普通卷積，可變形卷積在執(zhí)行每次卷積時會自動學(xué)習(xí)一個偏移矩陣δ，從而使卷積核的采樣位置發(fā)生偏移。因此可變形卷積能夠自適應(yīng)心臟器官的形狀，從而捕獲更為精確的心臟器官邊緣信息。目標(biāo)圖像下采樣路徑所獲取的特征可以表示為：

其中，Δ_Pn為當(dāng)δ是可變形卷積時卷積核在P_n位置的偏移量。將相鄰時間片下采樣路徑與目標(biāo)圖像下采樣路徑所獲得特征進(jìn)行融合，融合方式為矩陣元素相加。融合后的矩陣既包含中間信息又包含器官邊緣信息；融合后的特征也作為下一層相鄰時間片下采樣層的輸入。該特征矩陣表示為：

2 實驗驗證

本文共執(zhí)行3次對比實驗，分別將本文算法與Unet^[3]、Unet++^[4]、MFF Unet^[5]進(jìn)行對比。評判指標(biāo)采用了DSC相似性系數(shù)以及豪斯多夫距離HD。DSC表示圖像的分割結(jié)果與真實分割圖的相似度。HD表示分割結(jié)果與真實分割圖的不匹配度。數(shù)據(jù)集采用國際醫(yī)學(xué)影像計算與計算機輔助干預(yù)會議MICCAI提供的ACDC數(shù)據(jù)集。對比實驗結(jié)果如表1所示，對比效果如圖2所示。

由表可知：本文算法結(jié)果普遍優(yōu)于其他算法。結(jié)合圖2（b）、（c）可以看出：當(dāng)采用Unet與Unet++進(jìn)行網(wǎng)絡(luò)分割時，心臟邊緣信息容易出錯，邊緣信息分割不準(zhǔn)確；這兩者對于心臟器官的非邊緣部分也會出現(xiàn)分割錯誤的情況，分割效果較差。由圖2（d）可知：雖然相較于前兩者，采用MFF Unet進(jìn)行網(wǎng)絡(luò)分割時，心臟邊緣信息較為準(zhǔn)確但依舊會有錯誤，出現(xiàn)邊緣丟失的情況；在左心肌與右心室之間、左心室與左心肌肉之間會出現(xiàn)誤分割的情況，分割效果依舊不如本文所提算法。這是因為上述算法都提取了目標(biāo)圖像在收縮期末期和舒張期末期的特征信息，特征信息量不足；而本文算法在利用時間信息彌補特征信息的同時，能夠獲得目標(biāo)圖像編碼路徑提供的精準(zhǔn)心臟邊緣信息。因此，本文算法能夠取得較好的網(wǎng)絡(luò)分割結(jié)果。

3 結(jié)語

本文提出了一種針對心臟動態(tài)核磁共振圖像的分割算法。針對心臟動態(tài)核磁共振圖像短軸梯度大、信息量少的特點，本文開創(chuàng)性地提出了雙下采樣路徑的2.5D分割網(wǎng)絡(luò)。所提算法利用相鄰時間片下采樣路徑獲取相鄰時間點內(nèi)的特征信息，彌補了短軸的信息稀疏問題；利用目標(biāo)圖像下采樣路徑獲得收縮期末期和舒張期末期精準(zhǔn)的器官邊緣信息，并將兩者結(jié)合。最終結(jié)果表明，本文算法的分割效果較好，分割精確度更高。

參考文獻(xiàn)

[1]JIANG T， LI X N. Segmentation of abdominal CT and cardiac MR images with multi scale visual attention[J]. Journal of Image and Graphics，2024（1）：268-279.

[2]ALOM M Z， HASAN M， YAKOPCIC C， et al. Recurrent residual convolutional neural network based on U-Net （R2U-Net） for medical image segmentation[J]. arXiv preprint arXiv，2018：1802.06955.

[3]RONNEBERGER O，F(xiàn)ISCHER P，BROX T. Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention：U-net：Convolutional Networks for Biomedical Image Segmentation，October 5-9th， 2015[C]. Munich， Germany：Springer，2015.

[4]ZHOU Z，SIDDIQUEE M M R，TAJBAKHSH N，et al. Unet++：Redesigning skip connections to exploit multiscale features in image segmentation[J]. IEEE Transactions on Medical Imaging，2019（6）：1856-1867.

[5]劉從軍，徐佳陳，肖志勇，等.基于深度學(xué)習(xí)的心臟核磁共振圖像自動分割算法[J].計算機工程與科學(xué)，2022（9）：1646-1654.

（編輯 王雪芬編輯）

2.5D cardiac segmentation algorithm based on deep learning

Xu? Jiachen， Long? Xiang

（School of Computer and Information， Nantong Institute of Technology， Nantong 226001， China）

Abstract： The automatic segmentation algorithm of cardiac dynamic MRI images can effectively reduce the pressure on cardiovascular doctors， and its segmentation results are the gold standard for evaluating cardiac function. This article proposes an automatic segmentation algorithm that effectively segments cardiac dynamic MRI images. According to the cardiac dynamic MRI image， the U-shaped neural network results are used by the proposed algorithm. The network structure is divided into a target image in the downsampling layer， an adjacent time slice in the downsampling layer， an upsampling layer and a connecting bridge. Compared with other segmentation algorithms， the proposed algorithm in this article can better segment cardiac images and the segmentation effect is more accurate.

Key words： image segmentation; cardiac dynamic MRI image; Unet; medical images