趙春艷，吳清*，余太慧，蔡兆熙，沈君，趙地，郭士杰，王元全

1. 河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津 300401； 2. 中山大學(xué)孫逸仙紀(jì)念醫(yī)院放射科，廣州 5101203. 中國(guó)科學(xué)院計(jì)算技術(shù)研究所，北京 100190

0 引 言

房顫(atrial fibrillation，AF)是最常見的心律失常，是左心房(left atrium，LA)異位搏動(dòng)引起的(January等，2014)，患病率約0.4%-1%(Tops等，2010)，主要與年齡增長(zhǎng)、肥胖和高血壓等因素有關(guān)。房顫是一種全球流行的疾病，患病率和發(fā)病率逐年增長(zhǎng)，預(yù)計(jì)到2050年，房顫發(fā)病率將翻一番(Chugh等，2014)。

左心房是房顫研究中的重要解剖結(jié)構(gòu)，左心房的功能是預(yù)測(cè)房顫的獨(dú)立因子，對(duì)初步評(píng)估房顫具有重要意義。與無(wú)房顫的群體相比，房顫患者的左心房體積顯著增大、排空分?jǐn)?shù)下降(左心房功能受損)且縱向應(yīng)變受損。2D和3D圖像的左心房體積指數(shù)，無(wú)房顫群體的分別為26.7 ml/m2和26.5 ml/m2，房顫患者的分別為33.7 ml/m2和33.5 ml/m2。通過(guò)2D超聲心動(dòng)圖測(cè)量左心房排空分?jǐn)?shù)評(píng)估房顫患者的左心房功能，房顫患者的左心房功能受到抑制，房顫患者和無(wú)房顫群體分別為46.3%和57.3%(Pedersen等，2019)。2腔和4腔心收縮末期左心房體積(正常值≤34 ml/m2)也是預(yù)測(cè)房顫的關(guān)鍵指標(biāo)(Donal等，2017)。臨床主要采用射血分?jǐn)?shù)(ejection fraction，EF)、左心房(LA)體積、LA應(yīng)變、LA應(yīng)變率等臨床參數(shù)評(píng)估左心房功能，進(jìn)一步輔助診斷房顫。這些臨床參數(shù)計(jì)算的準(zhǔn)確性取決于左心房輪廓的準(zhǔn)確描繪。雖然計(jì)算機(jī)斷層掃描(computer tomography，CT)和磁共振成像(magnetic resonance imaging，MRI)都可以用于左心房分割，但是心臟核磁共振(cardiac magnetic resonance，CMR)由于較高的空間分辨率和定義心內(nèi)膜邊界的能力，被認(rèn)為是評(píng)估左心房功能的金標(biāo)準(zhǔn)成像模式。左心房功能評(píng)估需要從MRI圖像中分割出左心房。目前左心房分割依賴醫(yī)生手動(dòng)分割，這是一項(xiàng)煩瑣耗時(shí)的任務(wù)，而且受醫(yī)生勾勒結(jié)果的影響，因此左心房分割算法的研究至關(guān)重要。

分割算法分為傳統(tǒng)方法、基于深度學(xué)習(xí)(deep learning，DL)的方法以及傳統(tǒng)與深度學(xué)習(xí)結(jié)合的方法。雖然取得了一定成就，但是這個(gè)課題的研究仍處于起步階段(Li等，2022)，存在很大挑戰(zhàn)，主要包括：1)分割算法不夠精確；2)醫(yī)學(xué)圖像(晚期釓增強(qiáng)磁共振圖像(late gadolinium enhancement-magnetic resonance imaging，LGE-MRI))質(zhì)量不高，如圖1(a)所示；3)左心房大小形態(tài)不一，如圖1(b)所示；4)醫(yī)學(xué)分析軟件仍需人工干預(yù)；5)手工分割結(jié)果因不同人和同一人不同時(shí)間存在差異。

臨床上對(duì)房顫診斷及其干預(yù)有很多研究。李倩等人(2021)通過(guò)抗心動(dòng)過(guò)速起搏研究對(duì)房顫患者的干預(yù)效果，Kareem等人(2021)回顧了用于房顫?rùn)z測(cè)的設(shè)備以預(yù)防腦卒中，但是基于醫(yī)學(xué)影像的房顫分析研究尚不成熟。本文對(duì)左心房分割算法和功能量化進(jìn)行綜述，總結(jié)相關(guān)數(shù)據(jù)集，對(duì)基于左心房功能量化分析房顫的臨床應(yīng)用進(jìn)行歸納，最后對(duì)未來(lái)發(fā)展趨勢(shì)進(jìn)行展望。

圖1 成像質(zhì)量差的LGE-MRI以及左心房Fig.1 LGE-MRI with poor quality and left atrium ((a) LGE-MRI with poor quality; (b) left atrium)

1 左心房分割的傳統(tǒng)方法

很多傳統(tǒng)分割方法用于左心房(LA)分割，使用最廣泛的是主動(dòng)輪廓模型(active contour model，ACM)和圖譜分割法，在LA分割上取得了良好效果。

1.1 主動(dòng)輪廓模型

ACM是醫(yī)學(xué)圖像分割中的一個(gè)強(qiáng)大方法，在最小能量泛函驅(qū)動(dòng)下，利用曲線演化定位目標(biāo)的邊緣，最終分割出目標(biāo)。該模型也稱為snake模型，在心臟分割中有著廣泛應(yīng)用(Kass等，1988)。王元全和賈云得(2007，2009)以及Wu等人(2013)將該方法用于左心室(left ventricle, LV)分割。王元全和賈云得(2007)在GVF snake(gradient vector flow)模型的基礎(chǔ)上，引入最小曲面梯度向量流和形狀能量項(xiàng)，克服了目標(biāo)的弱邊界、圖像灰度不均和乳突肌影響等問題，降低了分割結(jié)果對(duì)初始輪廓的依賴，但是存在梯度矢量流計(jì)算量大、形狀約束權(quán)重參數(shù)多等問題。因此，王元全和賈云得(2009)提出基于snake模型的卷積虛擬靜電場(chǎng)外力模型CONVEF(convolutional virtual electric field)，采用Fourier變換實(shí)現(xiàn)了實(shí)時(shí)計(jì)算，可以準(zhǔn)確分割左心室內(nèi)、外膜。類似地，Wu等人(2013)通過(guò)對(duì)圖像的梯度圖進(jìn)行卷積，提出一種快速外力梯度向量卷積GVC(gradient vector convolution)模型，引用圓形約束作為形狀先驗(yàn)，修改邊緣圖生成一個(gè)新的GVC力場(chǎng)，克服了乳頭肌和偽影影響。

LA分割中許多研究采用ACM方法，取得了不錯(cuò)的效果。Chan和Vese(2001)提出一種新的活動(dòng)輪廓模型，該模型的停止項(xiàng)用圖像的特定分割代替經(jīng)典主動(dòng)輪廓模型的圖像梯度，可以檢測(cè)到非光滑或非梯度定義的邊界，而經(jīng)典模型是不適用的。在此基礎(chǔ)上，Saini等人(2012)采用Newton-Raphson方法代替了Chan和Vese(2001)使用的梯度下降法，實(shí)現(xiàn)了心房和心室的邊界快速檢測(cè)。該算法比Chan和Vese(2001)的算法少100次迭代，具有較快的響應(yīng)速度，能夠提高輪廓在邊界上的收斂速度。類似地，Daoudi等人(2013)在ACM的基礎(chǔ)上結(jié)合梯度向量流方法進(jìn)行左心房定位以及輪廓分割。該方法首先通過(guò)自適應(yīng)直方圖均衡化調(diào)整直方圖，改善圖像對(duì)比度，提高圖像質(zhì)量；然后采用區(qū)域生長(zhǎng)技術(shù)初步分割，提供了一個(gè)靠近左心房的初始輪廓；最后，GVF-snake模型自動(dòng)變形直到收斂，實(shí)現(xiàn)對(duì)左心房的最終分割。該方法簡(jiǎn)單、快速，得到的分割結(jié)果優(yōu)于區(qū)域生長(zhǎng)得到的初始輪廓，但是這種檢測(cè)方法需要一個(gè)精確的初始化輪廓，而且區(qū)域生長(zhǎng)法對(duì)參數(shù)變化敏感，高度依賴參數(shù)的正確選擇，自適應(yīng)直方圖均衡化方法也存在過(guò)度放大圖像中相同區(qū)域的噪聲問題。

ACM方法存在依賴初始輪廓、在低對(duì)比度和強(qiáng)度分布不均勻圖像上分割效果差等缺點(diǎn)，為解決這些問題，研究者提出了很多方法。隨機(jī)森林(random forests，RF)方法可以處理大量、多類和高維醫(yī)學(xué)圖像，訓(xùn)練完成后，可以篩選出重要特征，在許多心臟組織的分割任務(wù)中具有準(zhǔn)確性和魯棒性。在此基礎(chǔ)上，Margeta等人(2013)對(duì)MRI圖像中的左心房進(jìn)行了自動(dòng)分割。首先使用所有可用的訓(xùn)練圖像訓(xùn)練決策森林的結(jié)構(gòu)，然后使用這個(gè)森林分割其他數(shù)據(jù)集。同時(shí)，結(jié)合閾值技術(shù)提取血液池，使用上下文特征從圖像其他結(jié)構(gòu)中分離左心房，對(duì)配準(zhǔn)方法要求較低。但是該方法的訓(xùn)練集太小，僅由10幅圖像組成，可能不適合空腔輪廓分割，經(jīng)常漏分肺靜脈(pulmonary vein，PV)或分類錯(cuò)誤。不同于RF方法將分割問題定義為分類問題，Ma等人(2017)通過(guò)輪廓進(jìn)化細(xì)化體素分類，獲得了幾何約束的分割結(jié)果。與傳統(tǒng)的ACM方法相比，該方法能夠自動(dòng)化輪廓初始化過(guò)程，并通過(guò)復(fù)雜的特征學(xué)習(xí)和形狀先驗(yàn)集成方法實(shí)現(xiàn)完全自動(dòng)化、精確和魯棒的LA分割，在MRI數(shù)據(jù)集上驗(yàn)證優(yōu)于其他方法，Dice從0.622 2±0.87提高到0.922 7±0.059 8，平均表面距離從1.34±8.72降低到1.14±1.205。Gonzales等人(2021)在ACM的基礎(chǔ)上添加極坐標(biāo)，結(jié)合二尖瓣跟蹤、自動(dòng)閾值計(jì)算、徑向重采樣圖像的邊緣檢測(cè)、基于Dijkstra算法的邊緣跟蹤以及平滑和插值等后處理，分割精度與手工分割相似，速度快了120倍，能夠?qū)λ袔M(jìn)行高精度自動(dòng)分割，在長(zhǎng)軸視圖中實(shí)現(xiàn)了高效的LA分割，但是該方法的數(shù)據(jù)集全是房顫患者，導(dǎo)致樣本量小，而且4視圖的分割精度不高。代表性的ACM方法如表1所示。

1.2 圖譜分割法

圖譜分割首先將多幅圖譜圖像與目標(biāo)圖像配準(zhǔn)，然后根據(jù)配準(zhǔn)后的圖譜和相應(yīng)的標(biāo)簽推斷出目標(biāo)，最后結(jié)合多圖譜編碼的先驗(yàn)解剖知識(shí)進(jìn)行分割。圖譜分割已成功應(yīng)用于醫(yī)學(xué)圖像分割，包括LA、大腦、心臟和腹部圖像，在許多解剖結(jié)構(gòu)的分割上具有很高的準(zhǔn)確性和魯棒性。圖譜分割法主要有圖譜選擇和標(biāo)簽融合兩大挑戰(zhàn)。圖譜選擇是圖譜分割中重要的一步，主要有兩種選擇策略，通過(guò)目標(biāo)圖像與圖譜之間的相似度選擇圖譜，或通過(guò)圖譜之間的匹配程度進(jìn)行篩選，最常用的選擇標(biāo)準(zhǔn)是前者。與基于單個(gè)圖譜的分割(Heckemann等，2006)相比，多圖譜分割利用多個(gè)圖譜彌補(bǔ)單圖譜分割可能產(chǎn)生的偏差，并用標(biāo)簽融合生成最后的分割結(jié)果。由此，單個(gè)圖譜的分割誤差可以被平均，即使單個(gè)圖譜集的配準(zhǔn)出現(xiàn)較大偏差時(shí)，分割性能也不會(huì)受到很大影響，顯著提高了分割精度。

表1 主動(dòng)輪廓分割法Table 1 Active contour segmentation methods

Bai等人(2013)利用多圖譜評(píng)估了28名受試者的心臟MRI圖像。首先，在貝葉斯框架下建立了一個(gè)基于patch的標(biāo)簽融合模型。其次，利用標(biāo)簽信息提高圖像配準(zhǔn)精度，提高了分割精度。然而，提出的多圖譜分割方法在標(biāo)簽融合過(guò)程中只利用小patch內(nèi)的強(qiáng)度信息，可能忽略了梯度和上下文(周圍區(qū)域的外觀)等其他有用信息。因此，Bai等人(2015)將灰度、梯度和背景信息結(jié)合成一個(gè)增強(qiáng)特征向量，并將其結(jié)合到多圖譜分割中，采用支持向量機(jī)(support vector machine，SVM)代替K近鄰分類器進(jìn)行多圖譜標(biāo)簽融合。在83名受試者的心臟短軸MR數(shù)據(jù)集上進(jìn)行測(cè)驗(yàn)，所提出的分割框架的平均Dice度量是0.81，而傳統(tǒng)的基于多圖譜的分割是0.79，表明利用增強(qiáng)特征向量可以顯著提高多圖譜分割的準(zhǔn)確性。同樣地，Hao等人(2012)、Wang等人(2013)和Bai等人(2015)的方法非常相似，他們使用完全不同的特征集，并將該方法推廣到腦圖像分割，證明了使用增強(qiáng)特征向量進(jìn)行多圖譜分割的優(yōu)點(diǎn)，以及由于使用更復(fù)雜的分類器帶來(lái)的改進(jìn)。當(dāng)然，在未來(lái)的多圖譜分割算法中，可以結(jié)合其他算法，支持向量機(jī)只是潛在方法之一。此外，Wang等人(2013)提出與Bai等人(2015)非常相似的標(biāo)簽融合方法，不同的是，Wang等人(2013)采用一種智能的方法計(jì)算標(biāo)簽融合的權(quán)重，以減少相關(guān)的標(biāo)簽誤差。而Bai等人(2015)使用了更多的特性而不是使用更智能的加權(quán)方法。在之后的研究中可以考慮將這兩種方法的優(yōu)點(diǎn)結(jié)合起來(lái)。全心臟分割可以排除LA周圍的其他結(jié)構(gòu)，解決LA與周圍結(jié)構(gòu)強(qiáng)度相似的問題。Zhuang和Shen(2016)采集了MRI和CT的多模態(tài)圖譜，提出一種基于多尺度patch 策略的標(biāo)簽融合算法和全局圖譜排序進(jìn)行全心臟MRI分割的方法，利用多尺度圖像的信息提供不同層次的圖像結(jié)構(gòu)，用于多級(jí)局部圖譜排序。Nuez-Garcia等人(2018)也提出全心臟分割方法，首先構(gòu)建整個(gè)心臟的LGE-MRI圖譜，然后用主成分分析模型捕獲LA的形狀，為了減少配準(zhǔn)時(shí)間，采用一個(gè)兩步策略，先根據(jù)LA形狀對(duì)圖譜分類，再與目標(biāo)圖像進(jìn)行配準(zhǔn)，采用基于多圖譜的框架對(duì)LA分割，最終改善了分割結(jié)果。類似地，Mulder等人(2018)采用一個(gè)兩步走策略，基于圖譜拼接技術(shù)對(duì)經(jīng)食管3維超聲心動(dòng)圖中的LA分割，提高了配準(zhǔn)的魯棒性。在圖像中，經(jīng)常出現(xiàn)強(qiáng)度不均勻問題，不能提供準(zhǔn)確的分割結(jié)果，給圖像分割帶來(lái)很大挑戰(zhàn)，水平集方法可以很好地解決圖像強(qiáng)度不均勻問題。Tao等人(2016)在LGE-MRI上自動(dòng)分割LA，采用多圖譜的全局分割方法和水平集的局部細(xì)化分割方法，引入MRA(MR angiography) 序列，增強(qiáng)了可視化，在自動(dòng)評(píng)估房顫患者的LA瘢痕方面具有很高潛力。Qiao等人(2018)基于多圖譜從釓增強(qiáng)磁共振圖像(gadolinium enhancement-magnetic resonance imaging，GE-MRI)中自動(dòng)分割LA腔，該方法先將GE-MRI圖像轉(zhuǎn)化為概率圖，然后選擇合適的圖譜，進(jìn)行多圖譜配準(zhǔn)與標(biāo)簽融合，最后用水平集方法對(duì)最終的結(jié)果進(jìn)行細(xì)化。Kim等人(2019)提出基于多圖譜的心臟圖像分割，不需要調(diào)整閾值和任何正則化參數(shù)，輪廓演化也不需要提供初始種子和感興趣區(qū)域。雖然多圖譜的分割效果比單圖譜要好很多，但是多圖譜計(jì)算量大、計(jì)算時(shí)間長(zhǎng)，因?yàn)閱螆D譜只需要執(zhí)行一次空間歸一化，但是單圖譜的準(zhǔn)確性受到限制。有代表性的各種多圖譜分割方法如表2所示。

表2 圖譜分割法Table 2 Atlas segmentation methods

1.3 其他傳統(tǒng)方法

除了主動(dòng)輪廓法和圖譜分割法，還有其他傳統(tǒng)分割方法。研究者結(jié)合解剖或形狀的先驗(yàn)，以應(yīng)對(duì)LA形狀不一和強(qiáng)度分布的變異性。Gao等人(2010)在分割過(guò)程中使用形狀先驗(yàn)知識(shí)，提出一種基于形狀的圖像分割框架識(shí)別延遲增強(qiáng)磁共振(delay enhancement-magnetic resonance imaging，DE-MRI)中的左心房心內(nèi)膜壁。Zheng等人(2011)提出一種基于部件的方法分割LA，該方法分割了腔室、附肢、4個(gè)PV，通過(guò)形狀先驗(yàn)方法對(duì)LA進(jìn)行最終的分割。Zhu等人(2013)基于變分區(qū)域增長(zhǎng)與矩的形狀先驗(yàn)從MRI中提取LA，該方法對(duì)形狀變化和圖像質(zhì)量具有較強(qiáng)的魯棒性。Karim等人(2014)結(jié)合高斯混合模型(Gaussian mixture model，GMM)和疤痕強(qiáng)度先驗(yàn)提出一種LA纖維化的分割算法，為GE-MRI提供一種標(biāo)準(zhǔn)化的量化技術(shù)。類似地，Sodergren等人(2019)提出一種基于貝葉斯曲面的分割框架，基于混合的全局形狀先驗(yàn)和基于特征的局部強(qiáng)度先驗(yàn)，學(xué)習(xí)高維形狀空間中的相應(yīng)的參數(shù)而不是預(yù)先投影到低維子空間中，避免了高維空間中模型過(guò)擬合的問題。

圖割法也是研究者采用的傳統(tǒng)分割方法。圖割法是將圖像分成背景和前景兩個(gè)不相交部分，利用圖割技術(shù)將前景和背景分割開。Shi等人(2011)通過(guò)4D圖割方法利用多個(gè)不同空間分辨率的MRI信息，結(jié)合馬爾可夫隨機(jī)場(chǎng)(Markov random field，MRF)細(xì)化所有的分割，提高了心臟分割算法的性能。Yang等人(2013)提出一種基于圖的方法，利用邊緣空間學(xué)習(xí)對(duì)基于模型的LA分割方法進(jìn)行細(xì)化。首先建立感興趣的區(qū)域約束分割，然后采用區(qū)域生長(zhǎng)方法在感興趣區(qū)域內(nèi)構(gòu)造圖，進(jìn)行圖割優(yōu)化。同時(shí)，提取了左心耳、左下肺靜脈，左上肺靜脈、右下肺靜脈和右上肺靜脈5個(gè)主要部位，然后將分割的LA部件合并。Veni等人(2013)利用圖割法得到了一個(gè)全局最優(yōu)解的分割。不同于施加硬約束條件的圖割法，提出的方法遵循貝葉斯公式，對(duì)網(wǎng)格切割的空間變化進(jìn)行軟約束。Grosgeorge等人(2014)提出一種基于圖割框架的全自動(dòng)分割方法，結(jié)合先驗(yàn)知識(shí)和多圖譜配準(zhǔn)方法分割左心室和右心室關(guān)節(jié)，然后將先驗(yàn)項(xiàng)集成到多標(biāo)簽代價(jià)函數(shù)中。Liu等人(2017)結(jié)合最大化期望算法(expectation maximization，EM)、水平集和圖割，提出一種分割左心房和定量纖維化組織，并從DE-MRI中量化其在左心房中比例的方法。該方法人工干預(yù)較少，而且左心房纖維化組織的定量可以幫助設(shè)計(jì)導(dǎo)管消融手術(shù)的個(gè)體化治療方案。代表性的其他分割心臟的傳統(tǒng)方法如表3所示。

1.4 傳統(tǒng)方法總結(jié)

近年來(lái)，許多分割方法應(yīng)用于左心房圖像分割，包括主動(dòng)輪廓法、多圖譜分割法、形狀先驗(yàn)和圖割法等。研究者采用一種方法或多種方法結(jié)合提高了LA分割的魯棒性。通過(guò)區(qū)域生長(zhǎng)實(shí)現(xiàn)初步分割，提供初始輪廓。通過(guò)增強(qiáng)特征向量、采用復(fù)雜的分類器以及改變?nèi)诤蠙?quán)重改善了標(biāo)簽融合過(guò)程，提高了LA分割的準(zhǔn)確性。通過(guò)增加標(biāo)簽信息、兩階段策略提高了圖像配準(zhǔn)的準(zhǔn)確度，縮短了配準(zhǔn)時(shí)間。通過(guò)全心分割排除了LA周圍的其他組織，克服了周圍組織對(duì)LA分割的影響。當(dāng)然，多尺度信息、形狀先驗(yàn)或空間信息對(duì)提高LA分割的精度也非常重要。

表3 其他傳統(tǒng)分割方法Table 3 Other traditional segmentation methods

ACM的優(yōu)勢(shì)在于可以結(jié)合更多的高層信息指導(dǎo)輪廓演化，通過(guò)尺度空間，由粗到細(xì)地極小化能量，增大捕獲區(qū)域，降低了計(jì)算復(fù)雜度，實(shí)現(xiàn)了目標(biāo)輪廓的快速準(zhǔn)確分割。圖譜分割方法分為單圖譜分割和多圖譜分割。多圖譜分割方法由于使用更多的圖譜，有效減少了單圖譜分割方法中的誤差。多圖譜分割方法中使用的圖譜包含圖像的灰度信息和先驗(yàn)信息等不同類型的信息，相比于其他分割方法能得到更加準(zhǔn)確的分割結(jié)果。傳統(tǒng)方法雖然取得了不錯(cuò)的效果，但仍存在一些缺點(diǎn)。由于圖像缺乏清晰的邊界，ACM分割LA通常導(dǎo)致輪廓泄漏或部分分割，即輪廓擴(kuò)展到所需的邊界之外或只捕捉部分所需的區(qū)域。而且ACM依賴于一定的輪廓初始化，在分割不理想的圖像上進(jìn)行輪廓初始化更具有挑戰(zhàn)性，如強(qiáng)度不均勻和低組織對(duì)比度的圖像?；诙鄨D譜的分割方法依賴計(jì)算資源，分析、操作和處理所有圖譜需要大量的內(nèi)存和時(shí)間，需要復(fù)雜的程序構(gòu)建圖譜或非剛性配準(zhǔn)，而且對(duì)具有不同拓?fù)浣Y(jié)構(gòu)的LA配準(zhǔn)也是需要解決的問題。如圖2所示，圖2(a)是正常人的肺靜脈，圖2(b)箭頭位置肺靜脈發(fā)生了變異，比正常人多了1根。如果圖譜種類多樣化，只有少數(shù)圖譜會(huì)對(duì)每個(gè)目標(biāo)圖像進(jìn)行分割，因此實(shí)際上有用的圖譜的數(shù)量會(huì)很少，而且在標(biāo)簽融合過(guò)程中，即使不正確的圖譜的權(quán)重非常小，也會(huì)對(duì)LA分割結(jié)果產(chǎn)生負(fù)面影響。

圖2 肺靜脈結(jié)構(gòu)Fig.2 Pulmonary vein structure ((a) normal pulmonary vein; (b) pulmonary vein variation)

2 基于深度學(xué)習(xí)的左心房分割方法

傳統(tǒng)分割方法依賴于手工提取特征，缺乏對(duì)未見病例(如PV數(shù)量稀少的左心房)的泛化能力。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)在計(jì)算機(jī)視覺任務(wù)中取得巨大進(jìn)展，成為分析醫(yī)學(xué)圖像的首選方法。Cirean等人(2012)首先將CNN引入醫(yī)學(xué)圖像分割，在以像素為中心的正方形窗口中預(yù)測(cè)原始像素的標(biāo)簽。因?yàn)榫W(wǎng)絡(luò)必須對(duì)每幅圖像中的每個(gè)像素都單獨(dú)運(yùn)行，所以這種方法非常慢，而且窗口重疊會(huì)產(chǎn)生大量冗余。全卷積網(wǎng)絡(luò)(fully convolutional network，F(xiàn)CN)是CNN的改進(jìn)版，Long等人(2015)用卷積層代替CNN中的全連接層，通過(guò)直接對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端訓(xùn)練，優(yōu)化中間特征層進(jìn)行分割，優(yōu)于傳統(tǒng)的將特征學(xué)習(xí)和分割視為兩個(gè)獨(dú)立任務(wù)的方法。Ronneberger等人(2015)在FCN基礎(chǔ)上提出了U-Net，針對(duì)醫(yī)學(xué)圖像分割設(shè)計(jì)，由一個(gè)壓縮路徑和一個(gè)對(duì)稱擴(kuò)展路徑組成，通過(guò)有效結(jié)合網(wǎng)絡(luò)體系結(jié)構(gòu)中的高層和低層特征，取得了優(yōu)異性能。?i?ek等人(2016)提出了3D U-Net，該網(wǎng)絡(luò)擴(kuò)展了Ronneberger等人(2015)提出的U-Net，用3D操作代替2D操作進(jìn)行體積分割。Milletari等人(2016)提出了V-Net模型，使用一種基于Dice系數(shù)的損失函數(shù)，解決了前景和背景不平衡問題，引入殘差連接，增加了網(wǎng)絡(luò)的收斂性，獲得了較好的分割精度。在現(xiàn)有模型的基礎(chǔ)上，研究者提出了自己的分割方法。Shen等人(2021)提出一種基于擴(kuò)張殘差U-Net模型的股骨和脛骨分割方法，用擴(kuò)張卷積擴(kuò)大了接受域，具有參數(shù)少、精度高和收斂速度快等優(yōu)點(diǎn)。吳宣言等人(2020)結(jié)合DenseNet(dense network)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)提取圖像特征，通過(guò)深層聚合的方式融合得到的特征信息，實(shí)現(xiàn)對(duì)左心室的精確分割。Zhang等人(2021)利用DenseNet的特征重用，改進(jìn)了密集塊的內(nèi)部連接，構(gòu)建了一個(gè)輕量級(jí)的網(wǎng)絡(luò)分割左心室和心肌。劉暢等人(2021)同時(shí)提取心肌內(nèi)膜和外膜，解決了需要對(duì)左心室心肌內(nèi)膜和外膜單獨(dú)建模的問題，平均Dice系數(shù)相比U-Net提升了3.5%，平均豪斯多夫距離(average Hausdorff distance，AHD)降低了18%。目前使用比較多的網(wǎng)絡(luò)模型是FCN和U-Net，有些基于2D，有些基于3D。

2.1 2D分割方法

2D分割方法是將每個(gè)切片單獨(dú)送入模型處理數(shù)據(jù)，最后將每個(gè)切片的分割結(jié)果疊加得到最終的3D分割圖。主要有兩個(gè)優(yōu)點(diǎn)，一是增加了訓(xùn)練數(shù)據(jù)的樣本；二是使2維卷積有更好的存儲(chǔ)效率。

考慮到左心房形態(tài)的高度變化和肺靜脈的分支結(jié)構(gòu)，多尺度特征圖能夠在不同尺度上捕捉信息。Bian等人(2018)利用金字塔池收集多尺度特征圖中的語(yǔ)義信息，擴(kuò)大了接受域范圍，用交叉熵作為目標(biāo)函數(shù)解決類別不平衡問題，用改進(jìn)的在線難例挖掘改善了網(wǎng)絡(luò)對(duì)難例分割的問題，顯著提高了訓(xùn)練效果。與Bian等人(2018)提到的多尺度方法類似的還有多視圖方法。實(shí)際問題中，單視圖僅考慮視圖內(nèi)的結(jié)構(gòu)信息，未有效利用視圖間的相關(guān)信息，造成融合后的特征維數(shù)較大，增加了計(jì)算復(fù)雜度。多視圖可以獲取不同角度的圖像信息，獲取的數(shù)據(jù)可以由多個(gè)特征集合表示，改善了在數(shù)據(jù)集上的分割效果。Yang等人(2020)開發(fā)了一個(gè)全自動(dòng)的多視圖雙任務(wù)遞歸注意力模型(multiview two-task，MVTT)，可以同時(shí)分割LA和LA瘢痕。MVTT主要由1個(gè)多視圖學(xué)習(xí)網(wǎng)絡(luò)和1個(gè)擴(kuò)張注意網(wǎng)絡(luò)組成。多視圖學(xué)習(xí)網(wǎng)絡(luò)包括3個(gè)子網(wǎng)，即1個(gè)序列學(xué)習(xí)網(wǎng)絡(luò)和2個(gè)擴(kuò)張殘差網(wǎng)絡(luò)。多視圖學(xué)習(xí)網(wǎng)絡(luò)主要學(xué)習(xí)多視圖特征，將2維軸向切片進(jìn)行關(guān)聯(lián)，同時(shí)整合正交視圖的互補(bǔ)信息，將3個(gè)卷積層連接起來(lái)進(jìn)行LA解剖的分割，以減少3維空間信息的丟失。與傳統(tǒng)的無(wú)監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)方法相比，Yang等人(2020)提出的MVTT模型在敏感度和Dice系數(shù)方面取得了優(yōu)異成績(jī)，為房顫患者自動(dòng)生成了結(jié)合疤痕分割的特異性解剖模型。類似地，Mortazi等人(2017)和Luo等人(2018)也融合多視圖信息進(jìn)行分割。CNN的訓(xùn)練通常需要大量的標(biāo)記數(shù)據(jù)，然而在醫(yī)學(xué)圖像領(lǐng)域，手動(dòng)標(biāo)注3維醫(yī)學(xué)圖像數(shù)據(jù)非常耗時(shí)，而且容易受不同標(biāo)注者的影響，因此如何利用未標(biāo)注數(shù)據(jù)訓(xùn)練模型是一個(gè)重要問題。對(duì)此，研究者提出基于半監(jiān)督網(wǎng)絡(luò)的分割模型。Zhang等人(2017)基于深度對(duì)抗網(wǎng)絡(luò)(deep adversarial network，DAN)對(duì)生物醫(yī)學(xué)圖像進(jìn)行分割，模型由分段網(wǎng)絡(luò)(segmentation network，SN)和評(píng)估網(wǎng)絡(luò)(evaluation network，EN)組成，通過(guò)迭代對(duì)抗訓(xùn)練過(guò)程，EN不斷評(píng)價(jià)未標(biāo)注數(shù)據(jù)的分割結(jié)果，SN就可以對(duì)未標(biāo)注數(shù)據(jù)產(chǎn)生越來(lái)越準(zhǔn)確的分割。該模型通過(guò)度量標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)的相似性來(lái)選擇標(biāo)注數(shù)據(jù)，未標(biāo)注數(shù)據(jù)獲得了與標(biāo)注數(shù)據(jù)一致的分割結(jié)果。Nie等人(2018)同樣利用DAN提出一種基于注意力機(jī)制的半監(jiān)督深度網(wǎng)絡(luò)來(lái)分割醫(yī)學(xué)圖像，利用DAN選擇未標(biāo)注數(shù)據(jù)的可置信區(qū)域來(lái)訓(xùn)練網(wǎng)絡(luò)，有效解決了訓(xùn)練復(fù)雜網(wǎng)絡(luò)時(shí)標(biāo)注數(shù)據(jù)不足的問題。此外，Bai等人(2017)利用半監(jiān)督學(xué)習(xí)方法評(píng)估短軸心臟MRI圖像，減少了對(duì)大量標(biāo)注數(shù)據(jù)的需求，該方法優(yōu)于基于監(jiān)督學(xué)習(xí)的方法。

研究者還提出了其他一些分割方法。Khened等人(2019)基于DenseNet進(jìn)行心臟分割，通過(guò)反向傳播在訓(xùn)練過(guò)程中促進(jìn)層間梯度的多路徑流動(dòng)，實(shí)現(xiàn)了隱性的深度監(jiān)督。DenseNet支持特征重用，在減少參數(shù)數(shù)量的同時(shí)保證了性能，克服了特征圖爆炸問題，但邊界處分割效果不理想。Ghosh等人(2020)提出基于開放輪廓分割LA的方法，利用深度卷積神經(jīng)網(wǎng)絡(luò)從心臟2、3、4室MRI長(zhǎng)軸中自動(dòng)分割LA，劃定了心肌與心內(nèi)膜之間的邊界，排除了二尖瓣，分割結(jié)果可用于臨床上應(yīng)變和應(yīng)變率的測(cè)量。該方法使用開放輪廓方法，比基于像素級(jí)語(yǔ)義分割的U-Net方法更具挑戰(zhàn)性，通過(guò)多層自動(dòng)編碼器預(yù)測(cè)壓縮向量，然后將其反向投影到LA的分割輪廓中，使用開放輪廓實(shí)現(xiàn)輪廓的描繪。該方法的豪斯多夫距離為4.2，明顯優(yōu)于U-Net的11.9，提供了基于開放輪廓的LA分割。此外，Loureno等人(2021)在編碼和解碼路徑中添加殘差單元，使用專門的數(shù)據(jù)增強(qiáng)方案，基于U-Net對(duì)短軸圖像進(jìn)行分割。雖然基于深度學(xué)習(xí)的分割方法可以提供不錯(cuò)的LA分割效果，但往往不能很好地概括未知領(lǐng)域，例如不同掃描儀或不同站點(diǎn)的數(shù)據(jù)。Li等人(2021)研究了U-Net、UNet++、DeepLab v3+和多尺度注意網(wǎng)絡(luò)等常用的語(yǔ)義分割模型在多中心LGE-MRI中LA分割的泛化能力，收集了140多幅不同中心的不同質(zhì)量水平的LGE-MRI。結(jié)果表明，這些分割模型在未知領(lǐng)域上的性能顯著下降。因此，Li等人(2021) 提出了3種泛化的策略，即直方圖匹配、基于互信息的解纏表示和隨機(jī)風(fēng)格轉(zhuǎn)移。這3種方法都能解決性能下降問題，其中，直方圖匹配是最有效的解決方法。代表性的2D分割心臟的方法如表4所示。其中，CRF(conditional random field)指條件隨機(jī)場(chǎng)。

表4 2D分割方法Table 4 2D segmentation methods

2.2 3D分割方法

2D分割方法通常只能處理2D圖像，而臨床數(shù)據(jù)大多數(shù)都是3D的。用2D訓(xùn)練網(wǎng)絡(luò)模型主要有兩個(gè)問題，一是會(huì)丟失空間信息；二是標(biāo)注的3D數(shù)據(jù)切割成2D切片后，會(huì)有大量的冗余注釋。因此許多研究者提出了3D分割網(wǎng)絡(luò)模型。

Xia等人(2018)設(shè)計(jì)了兩個(gè)基于V-Net的網(wǎng)絡(luò)用于GE-MRI 3維自動(dòng)分割心房。第1個(gè)網(wǎng)絡(luò)定位到心房的位置，粗分割心房；第2個(gè)網(wǎng)絡(luò)精確分割第1個(gè)網(wǎng)絡(luò)得到的結(jié)果。這樣降低了內(nèi)存成本，在普通個(gè)人電腦上就可以訓(xùn)練網(wǎng)絡(luò)。Wang等人(2018)方法也分為兩個(gè)階段，該方法基于3D U-Net框架，可以直接對(duì)原始分辨率的數(shù)據(jù)進(jìn)行預(yù)測(cè)，相比深度卷積神經(jīng)網(wǎng)絡(luò)具有更好的分割性能。Vesal等人(2018)對(duì)3D U-Net進(jìn)行改進(jìn)，在編碼器最底層使用擴(kuò)張卷積，以提取更寬空間范圍的特征，在編碼器分支中添加卷積層之間的殘差連接，以更好地融合多尺度圖像信息，保證梯度的平滑流動(dòng)，整合了全局信息與局部信息，整體分割精度較3D U-Net有所提高。Savioli等人(2018)提出一種基于3D卷積核的容積全卷積神經(jīng)網(wǎng)絡(luò)(volumetric fully convolution neural network，V-FCNN)，可以一次性從高分辨率(640 × 640像素)圖像中分割整個(gè)心房，損失函數(shù)采用均方誤差和Dice損失，提高了捕獲LA形狀的能力，減少了局部誤差造成的過(guò)分割。該方法在心房的中間部位有良好表現(xiàn)，但是在捕獲PV變異或分割心房到心室的瓣膜時(shí)性能仍有待提高。Li等人(2018)提出一種結(jié)合層次聚合和注意力機(jī)制的3維左心房分割網(wǎng)絡(luò)(hierarchical aggregation network，HAANet)，通過(guò)層次聚合增強(qiáng)了編碼器和解碼器中卷積神經(jīng)網(wǎng)絡(luò)的淺層和深層特征融合能力，此外采用注意力機(jī)制提高了提取高效特征的能力。同樣，Zhao等人(2021)采用注意力機(jī)制，提出一種基于ResNet-101體系結(jié)構(gòu)的框架，同時(shí)關(guān)注區(qū)域和邊界處的分割，使用區(qū)域損失和邊界損失相結(jié)合的混合損失同時(shí)處理邊界和區(qū)域，增加額外的注意模塊，使網(wǎng)絡(luò)對(duì)區(qū)域給予更多的注意，減少了鄰近相似組織的誤導(dǎo)影響。Xiong等人(2019)提出新模型AtriaNet，由多尺度的雙路徑架構(gòu)組成，有16層CNN，利用13個(gè)CNN捕獲局部心房組織的幾何形狀和LA的全局位置信息，并進(jìn)一步用3個(gè)CNN進(jìn)行合并。由于其為雙路徑，本質(zhì)上可以處理兩倍的信息量，與其他CNN相比，AtriaNet可以預(yù)見很多未見的患者數(shù)據(jù)，減少過(guò)擬合。

目前，多尺度特征圖也已用于其他領(lǐng)域。Dou等人(2017)提出的用于肺結(jié)節(jié)分類的神經(jīng)網(wǎng)絡(luò)和Kamnitsas等人(2017)提出的用于腦病變分割的神經(jīng)網(wǎng)絡(luò)都包含了不同輸入分辨率的多條路徑。Yu等人(2019)研究半監(jiān)督的LA分割方法，提出一種不確定性感知半監(jiān)督框架，從3D MRI圖像中分割LA。該框架支持在不同擾動(dòng)下對(duì)相同輸入的一致預(yù)測(cè)，可以有效利用未標(biāo)記數(shù)據(jù)。學(xué)生模型通過(guò)挖掘教師模型中的不確定信息，逐步在更有意義的目標(biāo)中學(xué)習(xí)，在更可靠的監(jiān)督下得到優(yōu)化，鼓勵(lì)教師模型產(chǎn)生更高質(zhì)量的目標(biāo)。Yu等人(2019)基于數(shù)據(jù)層面或模型層面的擾動(dòng)構(gòu)建一致性進(jìn)行半監(jiān)督學(xué)習(xí)。Luo等人(2021)采用多任務(wù)網(wǎng)絡(luò)同時(shí)進(jìn)行分割和水平集函數(shù)回歸，利用判別器進(jìn)行正則化，通過(guò)兩個(gè)任務(wù)之間的表示差異構(gòu)建一致性進(jìn)行半監(jiān)督學(xué)習(xí)。與Yu等人(2019)方法相比，Dice提高了0.54%。代表性的3D分割心臟的方法如表5所示。

表5 3D分割方法Table 5 3D segmentation methods

2.3 深度學(xué)習(xí)方法總結(jié)

深度學(xué)習(xí)方法主要分為2D分割和3D分割兩大類。2D分割和3D分割都采用了注意力機(jī)制、半監(jiān)督和多尺度的方法。此外，還有多視圖、兩階段學(xué)習(xí)網(wǎng)絡(luò)、開放輪廓和特征重用等方法。通過(guò)多尺度、注意力機(jī)制擴(kuò)大了模型的接受域，提高了模型的泛化能力。多尺度網(wǎng)絡(luò)是一種高效的體系結(jié)構(gòu)，同樣可以獲取不同的接受域，利用金字塔、多條輸入路徑等在不同的尺度上捕獲信息，提高訓(xùn)練后的深度學(xué)習(xí)模型的性能。注意力機(jī)制在人類視覺中起著重要作用，聚焦于重要區(qū)域，過(guò)濾無(wú)關(guān)信息，并彌補(bǔ)CNN有限的接受域。此外，多視圖的方法從不同角度獲取了更多的語(yǔ)義信息，提高了分割精度。在訓(xùn)練數(shù)據(jù)有限的情況下，通過(guò)半監(jiān)督網(wǎng)絡(luò)加快了模型的收斂速度，解決了標(biāo)注數(shù)據(jù)時(shí)間花費(fèi)大、標(biāo)注數(shù)據(jù)少的難題。兩階段網(wǎng)絡(luò)也是較好的訓(xùn)練策略，解決了類別不平衡問題，提高了基于深度學(xué)習(xí)方法的分割性能。特征重用、開放輪廓的方法在LA分割方面也顯示出了巨大潛力。

應(yīng)用2D和3D分割方法都可以快速準(zhǔn)確地分割左心房。但2D分割方法的參數(shù)量相對(duì)較少，處理速度快、效率高，對(duì)機(jī)器性能要求較低。3D分割方法保留了連續(xù)切片的空間信息，分割精度更高。然而，深度學(xué)習(xí)的方法仍然存在一些問題。2D卷積存在丟失空間信息、注釋數(shù)據(jù)冗余等問題。3D卷積模型復(fù)雜，網(wǎng)絡(luò)參數(shù)較多，增大了內(nèi)存負(fù)擔(dān)，需要對(duì)圖像進(jìn)行預(yù)處理，縮減原圖像的像素，但顯然會(huì)導(dǎo)致性能損失。FCN和U-Net體系結(jié)構(gòu)雖然可以在一定程度上彌補(bǔ)空間分辨率的損失，但在小范圍目標(biāo)上性能較差，而且需要大量的標(biāo)注數(shù)據(jù)。

3 傳統(tǒng)方法與深度學(xué)習(xí)方法結(jié)合的左心房分割方法

基于深度學(xué)習(xí)的方法在心臟圖像分割中取得了很好的效果。然而，大多數(shù)基于深度學(xué)習(xí)的分割方法在訓(xùn)練時(shí)只考慮離散空間中的標(biāo)簽掩碼，缺乏空間信息，在邊界上的預(yù)測(cè)往往是模糊的，導(dǎo)致分割結(jié)果中有很多噪聲。而傳統(tǒng)方法依賴手工特征提取，耗費(fèi)大量時(shí)間。由于缺少全局形狀約束、標(biāo)記訓(xùn)練數(shù)據(jù)不足以及網(wǎng)絡(luò)參數(shù)次優(yōu)等原因，單獨(dú)使用深度網(wǎng)絡(luò)可能無(wú)法獲得滿意的結(jié)果。為了解決這一問題，在訓(xùn)練和搭建神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，使用一系列傳統(tǒng)方法與之結(jié)合以增強(qiáng)深度學(xué)習(xí)的實(shí)現(xiàn)效果。例如，多圖譜分割法、水平集、形狀先驗(yàn)和圖割法等，這也許是一個(gè)新的研究方向。

Yang等人(2018)在深度學(xué)習(xí)的基礎(chǔ)上采用多圖譜分割，改進(jìn)了標(biāo)簽融合過(guò)程和標(biāo)簽融合權(quán)值的計(jì)算，實(shí)現(xiàn)了網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)深度特征。該方法重新構(gòu)建了基于patch的標(biāo)簽融合方法，將特征學(xué)習(xí)和標(biāo)簽融合模塊集成到深度體系結(jié)構(gòu)中，在多圖譜分割框架下學(xué)習(xí)最優(yōu)的圖像特征進(jìn)行標(biāo)簽融合。提出的多圖譜分割方法通過(guò)精準(zhǔn)的圖像配準(zhǔn)，將解剖結(jié)構(gòu)的形狀約束轉(zhuǎn)移到目標(biāo)圖像上，而標(biāo)簽融合過(guò)程只對(duì)轉(zhuǎn)換后的標(biāo)簽進(jìn)行融合，減少對(duì)大型標(biāo)記訓(xùn)練數(shù)據(jù)集的需求。與通過(guò)網(wǎng)絡(luò)損失直接學(xué)習(xí)圖像相似度的方法相比，該方法通過(guò)計(jì)算目標(biāo)與圖譜之間的相似度來(lái)估計(jì)標(biāo)簽融合權(quán)值，最大限度地減少了估計(jì)目標(biāo)分割與真實(shí)目標(biāo)分割之間的損失。相比于傳統(tǒng)多圖譜分割方法中手工提取特征，該網(wǎng)絡(luò)通過(guò)端到端訓(xùn)練過(guò)程可以有區(qū)別地學(xué)習(xí)最優(yōu)深度特征，并進(jìn)行融合權(quán)值的計(jì)算。該方法在SATA-13(the MICCAI 2013 segmentation algorithms, theory and applications segmentation challenge)和LV-09 兩個(gè)公開的左心室分割數(shù)據(jù)庫(kù)上進(jìn)行評(píng)估，平均Dice分別為0.833和0.95，都達(dá)到較高的精度，對(duì)跨數(shù)據(jù)庫(kù)評(píng)估具有較高的魯棒性。Li等人(2020b)提出多尺度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測(cè)邊緣權(quán)值。首先使用多圖譜全心臟分割得到LA的初始分割，然后用多尺度提取LA心內(nèi)膜紋理和解剖特征，最后通過(guò)圖割法優(yōu)化分割結(jié)果，明顯高于基于圖割法的分割精度。水平集方法通常基于小訓(xùn)練集和形狀分割LA，在對(duì)視覺對(duì)象變化建模方面存在一定局限性，而深度學(xué)習(xí)可以模擬這種變化，結(jié)合兩種方法的優(yōu)點(diǎn)，既不需要大量的數(shù)據(jù)集又可以產(chǎn)生準(zhǔn)確的分割結(jié)果。Ngo等人(2017)提出一種新的LV的心內(nèi)膜和心外膜的分割方法，結(jié)合深度置信網(wǎng)絡(luò)(deep belief network，DBN)和DRLSE(distance regularized level set evolution)水平集，二者結(jié)合比單獨(dú)使用時(shí)分割精度更高，能夠在有限的標(biāo)注圖像下進(jìn)行魯棒訓(xùn)練。Liu等人(2019)結(jié)合Faster R-CNN(faster region convolutional neural network)定位模型和3D水平集分割模型分割LA。首先，訓(xùn)練Faster R-CNN定位LA位置，減少了背景和鄰近組織的干擾；其次，利用自適應(yīng)閾值初始化水平集模型，這種方法比隨機(jī)和固定的初始化更接近LA；最后，基于DRLSE的3維水平集模型得到最終的LA分割結(jié)果。該方法比原來(lái)的DRLSE方法在分割性能上有所提高，Dice分?jǐn)?shù)為86.46%，提高了2.72%。Chen等人(2019)提出了形狀感知多視圖自動(dòng)編碼器(shape-aware multi-view autoencoder，Shape MAE)，從心臟短軸和長(zhǎng)軸視圖中學(xué)習(xí)解剖形狀先驗(yàn)信息，然后將Shape MAE學(xué)習(xí)到的解剖先驗(yàn)信息融合到改進(jìn)的U-Net體系結(jié)構(gòu)中，實(shí)現(xiàn)心臟短軸圖像分割。該模型保持了2D網(wǎng)絡(luò)的計(jì)算優(yōu)勢(shì)，在訓(xùn)練過(guò)程中使用的參數(shù)(約120萬(wàn)個(gè)權(quán)重)比3D U-Net(約250萬(wàn)個(gè)權(quán)重)更少，提高了計(jì)算效率。與2維U-Net相比，該方法將頂端切片的平均豪斯多夫距離從3.24減少到2.49，中間切片從2.34減少到2.09，根部切片從3.62減少到2.76，實(shí)現(xiàn)了在不同短軸切片上的準(zhǔn)確分割，優(yōu)于基線的2D U-Net和3D U-Net。對(duì)于LA和LA瘢痕分割，以往的方法通常獨(dú)立解決兩個(gè)任務(wù)，忽略了LA和LA瘢痕的內(nèi)在空間關(guān)系。Li等人(2020a)利用二者的空間關(guān)系同時(shí)分割LA和量化疤痕，提出一個(gè)端到端的學(xué)習(xí)框架，結(jié)合空間編碼損失和形狀注意機(jī)制損失，空間編碼損失減少了預(yù)測(cè)中出現(xiàn)的異常值，降低了分割結(jié)果中的噪聲，合并了LA的連續(xù)空間信息。

深度學(xué)習(xí)方法與多圖譜分割、水平集、形狀先驗(yàn)以及圖割法等傳統(tǒng)方法結(jié)合，彌補(bǔ)了傳統(tǒng)方法和深度學(xué)習(xí)方法的缺點(diǎn)，效果優(yōu)于各自的分割結(jié)果。結(jié)合各自的優(yōu)點(diǎn)分割左心房，提高了分割精度，降低了分割損失。但這些混合算法的結(jié)合方式、適用性及參數(shù)選取等有待更深入的研究。代表性的傳統(tǒng)方法與深度學(xué)習(xí)方法結(jié)合的心臟分割方法如表6所示，其中，DBN(deep fusion net)指深度融合網(wǎng)絡(luò)，DNN(deep neural network)指深度神經(jīng)網(wǎng)絡(luò)。

表6 傳統(tǒng)方法與深度學(xué)習(xí)方法結(jié)合的分割方法Table 6 Combine tradition with deep learning segmentation methods

4 公共數(shù)據(jù)集及分割算法評(píng)估

4.1 公共數(shù)據(jù)集

有關(guān)左心房分割的公共數(shù)據(jù)集主要包括ISBI 2012(international symposium on biomedical imaging 2012)挑戰(zhàn)賽圖像數(shù)據(jù)庫(kù)、左心房分割挑戰(zhàn)賽圖像數(shù)據(jù)、MICCAI 2017全心分割挑戰(zhàn)賽圖像數(shù)據(jù)和MICCAI 2018心房分割挑戰(zhàn)賽圖像數(shù)據(jù)。

ISBI 2012挑戰(zhàn)賽圖像數(shù)據(jù)庫(kù)共60幅LGE-MRI圖像，射頻消融治療房顫前后各30幅，每個(gè)中心提供10幅消融前后的圖像，收集的圖像包括每次LGE-MRI掃描的LA心內(nèi)膜和LA腔。圖像由3個(gè)人手工分割，建立了LA疤痕和纖維化的參考標(biāo)準(zhǔn)。Karim等人(2013)評(píng)估了8種不同算法，評(píng)估后發(fā)現(xiàn)沒有一種算法明顯優(yōu)于其他算法。

左心房分割挑戰(zhàn)賽(left atrial segmentation challenge，LASC)是2013年在STACOM′ 13和MICCAI′ 13進(jìn)行的，包括30個(gè)CT和30個(gè)MRI數(shù)據(jù)，CT和MRI的訓(xùn)練數(shù)據(jù)10個(gè)，測(cè)試數(shù)據(jù)20個(gè)。Tobon-Gomez等人(2015)比較了挑戰(zhàn)賽上的9種CT算法和8種MRI算法。結(jié)果表明，基于圖譜的方法和區(qū)域生長(zhǎng)的方法分割LA的效果最好。

MICCAI 2017全心分割挑戰(zhàn)賽提供了120幅覆蓋整個(gè)心臟的3維心臟多模態(tài)圖像，包括60幅CT和60幅MRI，對(duì)每一種模態(tài)，數(shù)據(jù)分為兩組，訓(xùn)練集包括CT和MRI各20幅，測(cè)試集包括CT和MRI各 40幅。這些圖像都是在臨床環(huán)境中通過(guò)人工勾畫獲得的。Zhuang等人(2019)對(duì)12組提交的10種CT數(shù)據(jù)算法和11種MRI數(shù)據(jù)算法進(jìn)行評(píng)估，結(jié)果表明，盡管訓(xùn)練數(shù)據(jù)集數(shù)量有限，但許多基于深度學(xué)習(xí)的方法仍獲得了較高的精度。

MICCAI 2018心房分割挑戰(zhàn)賽的數(shù)據(jù)由60例房顫患者的154幅3D LGE-MRI圖像組成，其中，100幅用于訓(xùn)練，54幅用于測(cè)試，圖像尺寸為576×576×88或640×640×88，數(shù)據(jù)包括消融前和消融后的圖像，由3位醫(yī)學(xué)專家手工進(jìn)行LA分割。Xiong等人(2021)分析了提交的17種算法，發(fā)現(xiàn)基于深度學(xué)習(xí)的方法優(yōu)于傳統(tǒng)的多圖譜分析方法，雙CNN的使用性能遠(yuǎn)比單個(gè)CNN好。其中，第1個(gè)CNN用于感興趣區(qū)域的定位，第2個(gè)CNN用于細(xì)化區(qū)域分割。此外，大多數(shù)團(tuán)隊(duì)的算法是基于U-Net框架的，而且PyTorch的分割效果更好。圖3展示了數(shù)據(jù)集的部分影像及標(biāo)簽。LA分割的公共數(shù)據(jù)集如表7所示。

圖3 MICCAI 2018心房分割挑戰(zhàn)賽數(shù)據(jù)集部分影像Fig.3 Partial images of MICCAI 2018 atrial segmentation challenge datasets ((a) original images; (b) labels)

表7 左心房分割公共數(shù)據(jù)集Table 7 Left atrium segmentation common datasets

4.2 分割算法評(píng)估指標(biāo)

目前用到的分割算法評(píng)估指標(biāo)包括豪斯多夫距離(Hausdorff distance，HD)、平均表面距離(average surface distance，ASD)、Dice系數(shù)、杰卡德系數(shù)(Jaccard)、準(zhǔn)確性(accuracy，AC)、特異性(specificity，SP)和敏感性(sensitivity，SE)等，最常用的是Dice系數(shù)。

HD用來(lái)衡量?jī)蓚€(gè)點(diǎn)集之間的距離。ASD是所有點(diǎn)的表面距離的平均。Dice系數(shù)和Jaccard系數(shù)都是集合相似度度量函數(shù)，通常用于計(jì)算兩個(gè)樣本的相似度。AC代表真實(shí)結(jié)果在檢查病例總數(shù)中的比例。SP指篩檢方法將無(wú)病的人正確判定為非患者的比例。SE指篩檢方法將有病的人正確判定為患者的比例。具體為

(1)

(2)

(3)

(4)

(5)

式中，TP代表真陽(yáng)率；FP代表假陽(yáng)率；TN代表真陰率；FN代表假陰率。

部分文獻(xiàn)分割用到的數(shù)據(jù)集及評(píng)估指標(biāo)如表8所示。其中，95HD表示95%的豪斯多夫距離；S2S(surface to surface)表示地對(duì)地；SD(surface distance)指表面距離；APD(average perpendicular distance)指平均垂直距離；ACDC-2017(the goal of the automated cardiac diagnosis challenge 2017)指自動(dòng)心臟診斷挑戰(zhàn)圖像數(shù)據(jù)；LV-2011指左心室分割挑戰(zhàn)圖像數(shù)據(jù)；MCD(median contour distance)指中值輪廓距離；MICCAI 2009指MICCAI 2009 CMR左心室分割挑戰(zhàn)賽圖像數(shù)據(jù)。

5 臨床應(yīng)用

心房顫動(dòng)的特征是左心房快速和不規(guī)則的收縮，對(duì)患者生活質(zhì)量影響很大?；贚A分割結(jié)果，可以計(jì)算其功能指標(biāo)，例如LA的射血分?jǐn)?shù)(LVEF)、容積、應(yīng)變和應(yīng)變率等，實(shí)現(xiàn)對(duì)房顫的輔助診斷。評(píng)估LA功能的方法主要有多普勒和容積法。近年來(lái)，用于LV斑點(diǎn)跟蹤的超聲心動(dòng)圖(speckle tracking echocardiography，STE)也應(yīng)用于評(píng)估LA功能以輔助診斷房顫(Donal等，2017)。

表8 部分文獻(xiàn)分割用到的數(shù)據(jù)集和評(píng)估指標(biāo)Table 8 Datasets and evaluation indicators used in partial literatures segmentation

Loureno等人(2021)用射血分?jǐn)?shù)(EF)表征心動(dòng)周期內(nèi)的LA功能，EF依賴于整個(gè)心臟周期內(nèi)LA體積的比率，為房顫研究提供重要的臨床信息。Bratt等人(2019)發(fā)現(xiàn)LA容積可以作為CT圖像中獨(dú)立預(yù)測(cè)房顫的因子，提出了一種測(cè)量體積的自動(dòng)化方法，它與手工測(cè)量的性能相當(dāng)，但在速度上高出許多倍。心臟應(yīng)變可分為周向、徑向和縱向應(yīng)變，徑向應(yīng)變存在成像分辨率低、再現(xiàn)性差等缺點(diǎn)，因此目前研究最廣泛的是周向應(yīng)變和縱向應(yīng)變。Kadappu等人(2016)和Yoon等人(2015)使用為L(zhǎng)V開發(fā)的應(yīng)變軟件研究LA應(yīng)變。Gan等人(2018)提出LA應(yīng)變和應(yīng)變率參數(shù)比傳統(tǒng)心功能參數(shù)更敏感。Truong等人(2020)利用心臟磁共振特征追蹤(cardiac magnetic resonance feature tracking，CMR-FT)建立LA應(yīng)變、應(yīng)變率和LA球形度的正常參考范圍，比較了使用CMR-FT和STE的LA應(yīng)變。Hinojar等人(2019)通過(guò)CMR-FT評(píng)估LA功能，發(fā)現(xiàn)左心房縱向應(yīng)變可能成為心臟不良的潛在預(yù)測(cè)因子。不同于傳統(tǒng)的通過(guò)周向和縱向應(yīng)變?cè)u(píng)估LA功能，Hammouda等人(2020)開發(fā)了一種基于拉普拉斯方程的方法進(jìn)行應(yīng)變分析，通過(guò)求解心臟周期內(nèi)連續(xù)兩幀之間LV輪廓的拉普拉斯方程跟蹤LA壁，采用基于拉格朗日的方法進(jìn)行應(yīng)變估計(jì)。研究者發(fā)現(xiàn)，LA應(yīng)變的臨床價(jià)值高于LA容積。Truong等人(2020)發(fā)現(xiàn)LA應(yīng)變的診斷價(jià)值和預(yù)后價(jià)值高于LA體積，LA應(yīng)變具有更高的診斷準(zhǔn)確性。此外，Yasuda等人(2015)和Nakamori等人(2018)發(fā)現(xiàn)相比LA最大容積，LA應(yīng)變更適合預(yù)測(cè)導(dǎo)管消融后房顫復(fù)發(fā)，同時(shí)LA應(yīng)變還可以對(duì)房顫高風(fēng)險(xiǎn)血栓栓塞患者進(jìn)行分層，這是因?yàn)榕c房顫相關(guān)的心房重構(gòu)導(dǎo)致了房腔整體的幾何變化。Morales等人(2021)開發(fā)了一個(gè)基于深度學(xué)習(xí)的應(yīng)變分析工作流，對(duì)分割、運(yùn)動(dòng)和應(yīng)變估計(jì)做了基準(zhǔn)測(cè)試，該工作流快速、獨(dú)立于操作人員，能夠從可重復(fù)的新數(shù)據(jù)中獲得應(yīng)變值并與其他標(biāo)記數(shù)據(jù)進(jìn)行比較。

LA體積測(cè)量是對(duì)分割出來(lái)的LA應(yīng)用標(biāo)準(zhǔn)公式估算，基于3維圖像的體積估計(jì)將更加精確。常用的LA體積測(cè)量方法是改進(jìn)的辛普森方法和雙平面面積長(zhǎng)度法，還可使用專門的3維建模軟件。LA應(yīng)變是一種簡(jiǎn)單、準(zhǔn)確、重復(fù)性好的評(píng)估LA儲(chǔ)層、導(dǎo)管、收縮功能的技術(shù)。因此，標(biāo)準(zhǔn)化的方法、共同的參考值和LA 應(yīng)變分析特定軟件對(duì)未來(lái)的研究和臨床應(yīng)用至關(guān)重要。表9總結(jié)了目前心臟分割的臨床應(yīng)用。

表9 心臟分割的臨床應(yīng)用Table 9 Clinical application of cardiac segmentation

6 結(jié) 語(yǔ)

醫(yī)學(xué)圖像分割是計(jì)算機(jī)輔助診斷中的一項(xiàng)基礎(chǔ)性和挑戰(zhàn)性任務(wù)。本文介紹了醫(yī)學(xué)圖像中房顫分析的研究進(jìn)展，重點(diǎn)介紹了左心房(LA)的分割算法和功能評(píng)估。傳統(tǒng)的分割算法主要依據(jù)LA的輪廓、形狀和紋理確定邊界，但受醫(yī)學(xué)圖像分辨率不高和心臟結(jié)構(gòu)復(fù)雜的影響，造成其分割不準(zhǔn)確，適用范圍有限。深度學(xué)習(xí)的分割算法主要是基于CNN及其變體分割LA，在時(shí)間效率方面，2D架構(gòu)的網(wǎng)絡(luò)明顯強(qiáng)于3D網(wǎng)絡(luò)，通常比3D架構(gòu)快4倍左右，但是在分割性能方面二者相當(dāng)。LA功能評(píng)估主要有射血分?jǐn)?shù)，體積、應(yīng)變和應(yīng)變率等臨床指標(biāo)。雖然MRI圖像具有良好的時(shí)間、空間分辨率等優(yōu)點(diǎn)，但從MRI中自動(dòng)分割LA仍具有很大的挑戰(zhàn)性。首先，左心房相對(duì)于背景只占很小的比例，使得算法難以定位和識(shí)別邊界細(xì)節(jié)。其次，由于磁共振分辨率有限，與周圍腔室強(qiáng)度相似，心肌壁較薄，所以心房和肺靜脈周圍常出現(xiàn)邊界模糊。最后，左心房的形狀和大小在不同受試者和時(shí)間點(diǎn)有很大差異。

針對(duì)LA分割和房顫分析的研究現(xiàn)狀，可從以下方面進(jìn)一步探索，提高LA的分割質(zhì)量和房顫診斷精度。目前的研究大多是基于單一中心的數(shù)據(jù)，提出的算法只在單一數(shù)據(jù)集上表現(xiàn)良好，需要提高模型在不同醫(yī)院不同設(shè)備的數(shù)據(jù)上的泛化能力。標(biāo)準(zhǔn)數(shù)據(jù)不足影響模型收斂速度且標(biāo)注數(shù)據(jù)耗費(fèi)時(shí)間，實(shí)現(xiàn)半監(jiān)督或弱監(jiān)督分割是一個(gè)突破口。一般來(lái)說(shuō)，圖像質(zhì)量越高，分割精度越高，如何通過(guò)預(yù)處理提高圖像分辨率或減少模型對(duì)圖像質(zhì)量的依賴有待探究。許多研究方法只關(guān)注區(qū)域分割，忽略了邊界分割，需要進(jìn)一步提高邊界或小目標(biāo)的分割精度。深度學(xué)習(xí)與心臟多模態(tài)圖譜或形狀信息相結(jié)合的混合方法具有潛力，值得進(jìn)一步探索。