医学图像分割论文学习——深度学习方法在3DMRI影像中解开并分割小肠（2022）

原文链接：Untangling and segmenting the small intestine in 3D cine-MRI using deep learning - ScienceDirect

前言

无语住，导师要求必须在大肠图像上做文章。分割和配准都可以，目前没找到大肠配准的文章，看一篇小肠分割的吧。

一、简介

肠蠕动包括肠壁收缩，引起蠕动运动和肠内容物混合。小肠蠕动的偏差与多种功能性胃肠道疾病和疾病有关。对近端小肠的运动一般的检查方法是侵入式的，会给患者带来高负担。因此，使用非侵入式的cine-MRI图像进行诊断是非常必要的。但人工检查图像对医生来说颇耗时间，因此可以使用CNN网络自动化这项任务。

在cine-MRI中量化肠蠕动的现有方法通常以2D cine-MRI为中心。尽管有些工作获取了3D cine-MRI图像，但分析通常仅限于2D切片序列。由于小肠在各个方向上连续发生，肠道收缩 intestinal contractions 和过平面的运动 intestinal contractions 会在这种方式里混淆：在2D分析中，由于邻近区域的活动，不可能区分肠收缩和肠段（部分）进出平面，因为两者都会导致时间点之间感知管腔直径的变化。此外，2D分析不适合区分蠕动和肠道内容物混合运动以及识别宫缩的功能失调传播，因为这需要关联沿肠道段收缩信息。

低维分析在很大程度上可归因于缺乏（半）自动图像分析工具，能够将小肠作为3D结构进行研究。伸展的，未缠结的肠道表示将允许人类专家更容易评估，并且可以对功能性蠕动运动进行详细的自动分析。这种表示可以通过沿肠道中心线分段重采样来生成，从而创建多平面重塑（MPR，multi-planar reformation），但在常规临床患者检查中手动注释此类中心线是不可行的。以前从小肠自动提取中心线的工作依赖于小肠精确分割掩码的可用性（Spuhler等人，2006）。然而，最近关于基于深度学习的分割的工作表明，与其他器官相比，最先进的方法在小肠中实现的性能要低得多，只可以在不到 40% 的测试对象中产生临床可接受的分割（Liu 等人，2020 年）。作者指出，不同患者在腹部形状，大小和位置的巨大差异使得使用深度学习对小肠进行分割特别困难。这意味着通过分割提取中心线目前在临床上不是一种有前途的方法。由于第二个原因，分割任务的难度是有问题的，因为运动性的详细量化需要小肠的准确分割图。

出于这个原因，我们建议扭转前面提到的顺序：不使用分割图作为中间阶段，而直接从MRI扫描中提取中心线。然后可以利用提取的中心线来提高分割系统的性能。现存的传统方法将目标解刨结构建模为管状结构，从而提取中心线；机器学习的方法则是使用中间流场直接预测中心线；还可以使用强化学习的方法，制定中心线跟踪。心脏CTA的最新工作表明了使用深层神经定向分类器提取冠状动脉中心线的有效性（Wolterink等人，2019）。我们在这项工作的基础上开发了一种在小肠中进行中心线提取的方法。

在腹部3D cine-MRI中，小肠的大部分部分在视野（FOV）之外，这意味着中心线必须作为未连接的片段的集合提取。小FOV是在每个时间点扫描时间短的结果。由于高度不规则的解剖结构以及肠环通常紧密地挤在一起的事实，追踪器有可能穿过肠壁进入相邻的肠段，从而错误地融合解剖学上未连接的肠段。为了克服这些挑战，我们引入了一种新的随机跟踪策略，该策略提高了跟踪的鲁棒性。

小肠的中心线提取可以进一步分析，以详细量化运动。这种分析还需要对小肠进行准确的分割。为了减轻与整个肠道高度可变形状相关的困难，我们建议将分割任务包含在一个多任务网络中，该网络仅在小肠中心线周围的patch上进行训练。通过将分割任务限制在中心线周围的局部区域，我们在不影响下游任务效用的情况下简化问题。

二、数据集：MRI数据

一组用于方法开发的健康志愿者的MRI扫描和一组用于独立评估的炎症性肠病（IBD）患者的MRI扫描。

来自健康志愿者组中四个受试者的中心裁剪冠状MRI切片，说明了图像特征的多样性。

---

三.方法

todo