基于预训练网络微调和数据增强的抗伪影心脏MRI心室分割方法

《Scientific Reports》：Artifact-resilient deep learning segmentation for enhanced structural and functional cardiac analysis

　　

摘要

心脏影像学在诊断心脏疾病中至关重要。X射线、超声、计算机断层扫描（CT）和磁共振成像（MRI）等影像方法能够详细显示心脏结构。鉴于人工智能卓越的学习能力，这些影像方法可以得到大幅改进。在心脏MRI中分割心室时，必须使用能够抵抗伪影的方法，以确保对这些组织进行准确的结构和功能研究。虽然许多人专注于改进算法，但很少有人解决预测中的伪影问题及其对准确性的影响。为了使早期技术更能抵抗这些现象，我们在这项工作中研究了预训练网络的微调。我们提出的方法大量使用了旨在模拟此类对象的数据增强。结果显著改善了基线分割，Dice评分最高提升0.06，Hausdorff距离改善4毫米。我们提出的流程包括三个步骤：数据的重采样和预处理以及执行归一化；加载并设置预训练模型的训练参数；使用增强后的数据训练加载的模型，通过根据强度和变形以多种方式修改数据来进行增强。3D数据称为体数据，图像是短轴切片。我们使用3D进行数据重采样、预处理和归一化，并使用切片进行数据增强。在分割任务中，我们的技术主要聚焦于微调编码器。在将体数据定向到规范方向后，我们进行了重采样。随后对感兴趣区域进行了裁剪。然后，将数据分为两部分：训练集和验证集。总人数中，20%用于验证。其次，从训练数据生成直方图，用于标准化强度。使用上述直方图，我们标准化所有集合。我们研究使用的数据来自极端心脏MRI分析挑战赛，特别是呼吸运动子集。结果显示一组五个人在评估过程中使用相同的四种呼吸强度。对于所有个体和呼吸强度，一位经验丰富的放射科医生记录并标记了舒张末期（ED）和收缩末期（ES）阶段。