面向房顫分析的左心房分割方法綜述

趙春艷，吳清*，余太慧，蔡兆熙，沈君，趙地，郭士杰，王元全

1. 河北工業大學人工智能與數據科學學院，天津 300401； 2. 中山大學孫逸仙紀念醫院放射科，廣州 5101203. 中國科學院計算技術研究所，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)異位搏動引起的(January等，2014)，患病率約0.4%-1%(Tops等，2010)，主要與年齡增長、肥胖和高血壓等因素有關。房顫是一種全球流行的疾病，患病率和發病率逐年增長，預計到2050年，房顫發病率將翻一番(Chugh等，2014)。

左心房是房顫研究中的重要解剖結構，左心房的功能是預測房顫的獨立因子，對初步評估房顫具有重要意義。與無房顫的群體相比，房顫患者的左心房體積顯著增大、排空分數下降(左心房功能受損)且縱向應變受損。2D和3D圖像的左心房體積指數，無房顫群體的分別為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2D超聲心動圖測量左心房排空分數評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)也是預測房顫的關鍵指標(Donal等，2017)。臨床主要采用射血分數(ejection fraction，EF)、左心房(LA)體積、LA應變、LA應變率等臨床參數評估左心房功能，進一步輔助診斷房顫。這些臨床參數計算的準確性取決于左心房輪廓的準確描繪。雖然計算機斷層掃描(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膜邊界的能力，被認為是評估左心房功能的金標準成像模式。左心房功能評估需要從MRI圖像中分割出左心房。目前左心房分割依賴醫生手動分割，這是一項煩瑣耗時的任務，而且受醫生勾勒結果的影響，因此左心房分割算法的研究至關重要。

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

臨床上對房顫診斷及其干預有很多研究。李倩等人(2021)通過抗心動過速起搏研究對房顫患者的干預效果，Kareem等人(2021)回顧了用于房顫檢測的設備以預防腦卒中，但是基于醫學影像的房顫分析研究尚不成熟。本文對左心房分割算法和功能量化進行綜述，總結相關數據集，對基于左心房功能量化分析房顫的臨床應用進行歸納，最后對未來發展趨勢進行展望。

圖1 成像質量差的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 左心房分割的傳統方法

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

1.1 主動輪廓模型

ACM是醫學圖像分割中的一個強大方法，在最小能量泛函驅動下，利用曲線演化定位目標的邊緣，最終分割出目標。該模型也稱為snake模型，在心臟分割中有著廣泛應用(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)模型的基礎上，引入最小曲面梯度向量流和形狀能量項，克服了目標的弱邊界、圖像灰度不均和乳突肌影響等問題，降低了分割結果對初始輪廓的依賴，但是存在梯度矢量流計算量大、形狀約束權重參數多等問題。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外力模型CONVEF(convolutional virtual electric field)，采用Fourier變換實現了實時計算，可以準確分割左心室內、外膜。類似地，Wu等人(2013)通過對圖像的梯度圖進行卷積，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，修改邊緣圖生成一個新的GVC力場，克服了乳頭肌和偽影影響。

LA分割中許多研究采用ACM方法，取得了不錯的效果。Chan和Vese(2001)提出一種新的活動輪廓模型，該模型的停止項用圖像的特定分割代替經典主動輪廓模型的圖像梯度，可以檢測到非光滑或非梯度定義的邊界，而經典模型是不適用的。在此基礎上，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，實現了心房和心室的邊界快速檢測。該算法比Chan和Vese(2001)的算法少100次迭代，具有較快的響應速度，能夠提高輪廓在邊界上的收斂速度。類似地，Daoudi等人(2013)在ACM的基礎上結合梯度向量流方法進行左心房定位以及輪廓分割。該方法首先通過自適應直方圖均衡化調整直方圖，改善圖像對比度，提高圖像質量；然后采用區域生長技術初步分割，提供了一個靠近左心房的初始輪廓；最后，GVF-snake模型自動變形直到收斂，實現對左心房的最終分割。該方法簡單、快速，得到的分割結果優于區域生長得到的初始輪廓，但是這種檢測方法需要一個精確的初始化輪廓，而且區域生長法對參數變化敏感，高度依賴參數的正確選擇，自適應直方圖均衡化方法也存在過度放大圖像中相同區域的噪聲問題。

ACM方法存在依賴初始輪廓、在低對比度和強度分布不均勻圖像上分割效果差等缺點，為解決這些問題，研究者提出了很多方法。隨機森林(random forests，RF)方法可以處理大量、多類和高維醫學圖像，訓練完成后，可以篩選出重要特征，在許多心臟組織的分割任務中具有準確性和魯棒性。在此基礎上，Margeta等人(2013)對MRI圖像中的左心房進行了自動分割。首先使用所有可用的訓練圖像訓練決策森林的結構，然后使用這個森林分割其他數據集。同時，結合閾值技術提取血液池，使用上下文特征從圖像其他結構中分離左心房，對配準方法要求較低。但是該方法的訓練集太小，僅由10幅圖像組成，可能不適合空腔輪廓分割，經常漏分肺靜脈(pulmonary vein，PV)或分類錯誤。不同于RF方法將分割問題定義為分類問題，Ma等人(2017)通過輪廓進化細化體素分類，獲得了幾何約束的分割結果。與傳統的ACM方法相比，該方法能夠自動化輪廓初始化過程，并通過復雜的特征學習和形狀先驗集成方法實現完全自動化、精確和魯棒的LA分割，在MRI數據集上驗證優于其他方法，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的基礎上添加極坐標，結合二尖瓣跟蹤、自動閾值計算、徑向重采樣圖像的邊緣檢測、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，能夠對所有幀進行高精度自動分割，在長軸視圖中實現了高效的LA分割，但是該方法的數據集全是房顫患者，導致樣本量小，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圖像配準，然后根據配準后的圖譜和相應的標簽推斷出目標，最后結合多圖譜編碼的先驗解剖知識進行分割。圖譜分割已成功應用于醫學圖像分割，包括LA、大腦、心臟和腹部圖像，在許多解剖結構的分割上具有很高的準確性和魯棒性。圖譜分割法主要有圖譜選擇和標簽融合兩大挑戰。圖譜選擇是圖譜分割中重要的一步，主要有兩種選擇策略，通過目標圖像與圖譜之間的相似度選擇圖譜，或通過圖譜之間的匹配程度進行篩選，最常用的選擇標準是前者。與基于單個圖譜的分割(Heckemann等，2006)相比，多圖譜分割利用多個圖譜彌補單圖譜分割可能產生的偏差，并用標簽融合生成最后的分割結果。由此，單個圖譜的分割誤差可以被平均，即使單個圖譜集的配準出現較大偏差時，分割性能也不會受到很大影響，顯著提高了分割精度。

表1 主動輪廓分割法Table 1 Active contour segmentation methods

Bai等人(2013)利用多圖譜評估了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基于patch的標簽融合模型。其次，利用標簽信息提高圖像配準精度，提高了分割精度。然而，提出的多圖譜分割方法在標簽融合過程中只利用小patch內的強度信息，可能忽略了梯度和上下文(周圍區域的外觀)等其他有用信息。因此，Bai等人(2015)將灰度、梯度和背景信息結合成一個增強特征向量，并將其結合到多圖譜分割中，采用支持向量機(support vector machine，SVM)代替K近鄰分類器進行多圖譜標簽融合。在83名受試者的心臟短軸MR數據集上進行測驗，所提出的分割框架的平均Dice度量是0.81，而傳統的基于多圖譜的分割是0.79，表明利用增強特征向量可以顯著提高多圖譜分割的準確性。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，證明了使用增強特征向量進行多圖譜分割的優點，以及由于使用更復雜的分類器帶來的改進。當然，在未來的多圖譜分割算法中，可以結合其他算法，支持向量機只是潛在方法之一。此外，Wang等人(2013)提出與Bai等人(2015)非常相似的標簽融合方法，不同的是，Wang等人(2013)采用一種智能的方法計算標簽融合的權重，以減少相關的標簽誤差。而Bai等人(2015)使用了更多的特性而不是使用更智能的加權方法。在之后的研究中可以考慮將這兩種方法的優點結合起來。全心臟分割可以排除LA周圍的其他結構，解決LA與周圍結構強度相似的問題。Zhuang和Shen(2016)采集了MRI和CT的多模態圖譜，提出一種基于多尺度patch 策略的標簽融合算法和全局圖譜排序進行全心臟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構，用于多級局部圖譜排序。Nuez-Garcia等人(2018)也提出全心臟分割方法，首先構建整個心臟的LGE-MRI圖譜，然后用主成分分析模型捕獲LA的形狀，為了減少配準時間，采用一個兩步策略，先根據LA形狀對圖譜分類，再與目標圖像進行配準，采用基于多圖譜的框架對LA分割，最終改善了分割結果。類似地，Mulder等人(2018)采用一個兩步走策略，基于圖譜拼接技術對經食管3維超聲心動圖中的LA分割，提高了配準的魯棒性。在圖像中，經常出現強度不均勻問題，不能提供準確的分割結果，給圖像分割帶來很大挑戰，水平集方法可以很好地解決圖像強度不均勻問題。Tao等人(2016)在LGE-MRI上自動分割LA，采用多圖譜的全局分割方法和水平集的局部細化分割方法，引入MRA(MR angiography) 序列，增強了可視化，在自動評估房顫患者的LA瘢痕方面具有很高潛力。Qiao等人(2018)基于多圖譜從釓增強磁共振圖像(gadolinium enhancement-magnetic resonance imaging，GE-MRI)中自動分割LA腔，該方法先將GE-MRI圖像轉化為概率圖，然后選擇合適的圖譜，進行多圖譜配準與標簽融合，最后用水平集方法對最終的結果進行細化。Kim等人(2019)提出基于多圖譜的心臟圖像分割，不需要調整閾值和任何正則化參數，輪廓演化也不需要提供初始種子和感興趣區域。雖然多圖譜的分割效果比單圖譜要好很多，但是多圖譜計算量大、計算時間長，因為單圖譜只需要執行一次空間歸一化，但是單圖譜的準確性受到限制。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 其他傳統方法

除了主動輪廓法和圖譜分割法，還有其他傳統分割方法。研究者結合解剖或形狀的先驗，以應對LA形狀不一和強度分布的變異性。Gao等人(2010)在分割過程中使用形狀先驗知識，提出一種基于形狀的圖像分割框架識別延遲增強磁共振(delay enhancement-magnetic resonance imaging，DE-MRI)中的左心房心內膜壁。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PV，通過形狀先驗方法對LA進行最終的分割。Zhu等人(2013)基于變分區域增長與矩的形狀先驗從MRI中提取LA，該方法對形狀變化和圖像質量具有較強的魯棒性。Karim等人(2014)結合高斯混合模型(Gaussian mixture model，GMM)和疤痕強度先驗提出一種LA纖維化的分割算法，為GE-MRI提供一種標準化的量化技術。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和基于特征的局部強度先驗，學習高維形狀空間中的相應的參數而不是預先投影到低維子空間中，避免了高維空間中模型過擬合的問題。

圖割法也是研究者采用的傳統分割方法。圖割法是將圖像分成背景和前景兩個不相交部分，利用圖割技術將前景和背景分割開。Shi等人(2011)通過4D圖割方法利用多個不同空間分辨率的MRI信息，結合馬爾可夫隨機場(Markov random field，MRF)細化所有的分割，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，利用邊緣空間學習對基于模型的LA分割方法進行細化。首先建立感興趣的區域約束分割，然后采用區域生長方法在感興趣區域內構造圖，進行圖割優化。同時，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全局最優解的分割。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，對網格切割的空間變化進行軟約束。Grosgeorge等人(2014)提出一種基于圖割框架的全自動分割方法，結合先驗知識和多圖譜配準方法分割左心室和右心室關節，然后將先驗項集成到多標簽代價函數中。Liu等人(2017)結合最大化期望算法(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。該方法人工干預較少，而且左心房纖維化組織的定量可以幫助設計導管消融手術的個體化治療方案。代表性的其他分割心臟的傳統方法如表3所示。

1.4 傳統方法總結

近年來，許多分割方法應用于左心房圖像分割，包括主動輪廓法、多圖譜分割法、形狀先驗和圖割法等。研究者采用一種方法或多種方法結合提高了LA分割的魯棒性。通過區域生長實現初步分割，提供初始輪廓。通過增強特征向量、采用復雜的分類器以及改變融合權重改善了標簽融合過程，提高了LA分割的準確性。通過增加標簽信息、兩階段策略提高了圖像配準的準確度，縮短了配準時間。通過全心分割排除了LA周圍的其他組織，克服了周圍組織對LA分割的影響。當然，多尺度信息、形狀先驗或空間信息對提高LA分割的精度也非常重要。

表3 其他傳統分割方法Table 3 Other traditional segmentation methods

ACM的優勢在于可以結合更多的高層信息指導輪廓演化，通過尺度空間，由粗到細地極小化能量，增大捕獲區域，降低了計算復雜度，實現了目標輪廓的快速準確分割。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確的分割結果。傳統方法雖然取得了不錯的效果，但仍存在一些缺點。由于圖像缺乏清晰的邊界，ACM分割LA通常導致輪廓泄漏或部分分割，即輪廓擴展到所需的邊界之外或只捕捉部分所需的區域。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行輪廓初始化更具有挑戰性，如強度不均勻和低組織對比度的圖像?；诙鄨D譜的分割方法依賴計算資源，分析、操作和處理所有圖譜需要大量的內存和時間，需要復雜的程序構建圖譜或非剛性配準，而且對具有不同拓撲結構的LA配準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，只有少數圖譜會對每個目標圖像進行分割，因此實際上有用的圖譜的數量會很少，而且在標簽融合過程中，即使不正確的圖譜的權重非常小，也會對LA分割結果產生負面影響。

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

2 基于深度學習的左心房分割方法

傳統分割方法依賴于手工提取特征，缺乏對未見病例(如PV數量稀少的左心房)的泛化能力。近年來，卷積神經網絡(convolutional neural network，CNN)在計算機視覺任務中取得巨大進展，成為分析醫學圖像的首選方法。Cirean等人(2012)首先將CNN引入醫學圖像分割，在以像素為中心的正方形窗口中預測原始像素的標簽。因為網絡必須對每幅圖像中的每個像素都單獨運行，所以這種方法非常慢，而且窗口重疊會產生大量冗余。全卷積網絡(fully convolutional network，FCN)是CNN的改進版，Long等人(2015)用卷積層代替CNN中的全連接層，通過直接對神經網絡進行端到端訓練，優化中間特征層進行分割，優于傳統的將特征學習和分割視為兩個獨立任務的方法。Ronneberger等人(2015)在FCN基礎上提出了U-Net，針對醫學圖像分割設計，由一個壓縮路徑和一個對稱擴展路徑組成，通過有效結合網絡體系結構中的高層和低層特征，取得了優異性能。?i?ek等人(2016)提出了3D U-Net，該網絡擴展了Ronneberger等人(2015)提出的U-Net，用3D操作代替2D操作進行體積分割。Milletari等人(2016)提出了V-Net模型，使用一種基于Dice系數的損失函數，解決了前景和背景不平衡問題，引入殘差連接，增加了網絡的收斂性，獲得了較好的分割精度。在現有模型的基礎上，研究者提出了自己的分割方法。Shen等人(2021)提出一種基于擴張殘差U-Net模型的股骨和脛骨分割方法，用擴張卷積擴大了接受域，具有參數少、精度高和收斂速度快等優點。吳宣言等人(2020)結合DenseNet(dense network)網絡和殘差網絡提取圖像特征，通過深層聚合的方式融合得到的特征信息，實現對左心室的精確分割。Zhang等人(2021)利用DenseNet的特征重用，改進了密集塊的內部連接，構建了一個輕量級的網絡分割左心室和心肌。劉暢等人(2021)同時提取心肌內膜和外膜，解決了需要對左心室心肌內膜和外膜單獨建模的問題，平均Dice系數相比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絡模型是FCN和U-Net，有些基于2D，有些基于3D。

2.1 2D分割方法

2D分割方法是將每個切片單獨送入模型處理數據，最后將每個切片的分割結果疊加得到最終的3D分割圖。主要有兩個優點，一是增加了訓練數據的樣本；二是使2維卷積有更好的存儲效率。

考慮到左心房形態的高度變化和肺靜脈的分支結構，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義信息，擴大了接受域范圍，用交叉熵作為目標函數解決類別不平衡問題，用改進的在線難例挖掘改善了網絡對難例分割的問題，顯著提高了訓練效果。與Bian等人(2018)提到的多尺度方法類似的還有多視圖方法。實際問題中，單視圖僅考慮視圖內的結構信息，未有效利用視圖間的相關信息，造成融合后的特征維數較大，增加了計算復雜度。多視圖可以獲取不同角度的圖像信息，獲取的數據可以由多個特征集合表示，改善了在數據集上的分割效果。Yang等人(2020)開發了一個全自動的多視圖雙任務遞歸注意力模型(multiview two-task，MVTT)，可以同時分割LA和LA瘢痕。MVTT主要由1個多視圖學習網絡和1個擴張注意網絡組成。多視圖學習網絡包括3個子網，即1個序列學習網絡和2個擴張殘差網絡。多視圖學習網絡主要學習多視圖特征，將2維軸向切片進行關聯，同時整合正交視圖的互補信息，將3個卷積層連接起來進行LA解剖的分割，以減少3維空間信息的丟失。與傳統的無監督學習和監督學習方法相比，Yang等人(2020)提出的MVTT模型在敏感度和Dice系數方面取得了優異成績，為房顫患者自動生成了結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行分割。CNN的訓練通常需要大量的標記數據，然而在醫學圖像領域，手動標注3維醫學圖像數據非常耗時，而且容易受不同標注者的影響，因此如何利用未標注數據訓練模型是一個重要問題。對此，研究者提出基于半監督網絡的分割模型。Zhang等人(2017)基于深度對抗網絡(deep adversarial network，DAN)對生物醫學圖像進行分割，模型由分段網絡(segmentation network，SN)和評估網絡(evaluation network，EN)組成，通過迭代對抗訓練過程，EN不斷評價未標注數據的分割結果，SN就可以對未標注數據產生越來越準確的分割。該模型通過度量標注數據和未標注數據的相似性來選擇標注數據，未標注數據獲得了與標注數據一致的分割結果。Nie等人(2018)同樣利用DAN提出一種基于注意力機制的半監督深度網絡來分割醫學圖像，利用DAN選擇未標注數據的可置信區域來訓練網絡，有效解決了訓練復雜網絡時標注數據不足的問題。此外，Bai等人(2017)利用半監督學習方法評估短軸心臟MRI圖像，減少了對大量標注數據的需求，該方法優于基于監督學習的方法。

研究者還提出了其他一些分割方法。Khened等人(2019)基于DenseNet進行心臟分割，通過反向傳播在訓練過程中促進層間梯度的多路徑流動，實現了隱性的深度監督。DenseNet支持特征重用，在減少參數數量的同時保證了性能，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，利用深度卷積神經網絡從心臟2、3、4室MRI長軸中自動分割LA，劃定了心肌與心內膜之間的邊界，排除了二尖瓣，分割結果可用于臨床上應變和應變率的測量。該方法使用開放輪廓方法，比基于像素級語義分割的U-Net方法更具挑戰性，通過多層自動編碼器預測壓縮向量，然后將其反向投影到LA的分割輪廓中，使用開放輪廓實現輪廓的描繪。該方法的豪斯多夫距離為4.2，明顯優于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，使用專門的數據增強方案，基于U-Net對短軸圖像進行分割。雖然基于深度學習的分割方法可以提供不錯的LA分割效果，但往往不能很好地概括未知領域，例如不同掃描儀或不同站點的數據。Li等人(2021)研究了U-Net、UNet++、DeepLab v3+和多尺度注意網絡等常用的語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量水平的LGE-MRI。結果表明，這些分割模型在未知領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風格轉移。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)指條件隨機場。

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，而臨床數據大多數都是3D的。用2D訓練網絡模型主要有兩個問題，一是會丟失空間信息；二是標注的3D數據切割成2D切片后，會有大量的冗余注釋。因此許多研究者提出了3D分割網絡模型。

Xia等人(2018)設計了兩個基于V-Net的網絡用于GE-MRI 3維自動分割心房。第1個網絡定位到心房的位置，粗分割心房；第2個網絡精確分割第1個網絡得到的結果。這樣降低了內存成本，在普通個人電腦上就可以訓練網絡。Wang等人(2018)方法也分為兩個階段，該方法基于3D U-Net框架，可以直接對原始分辨率的數據進行預測，相比深度卷積神經網絡具有更好的分割性能。Vesal等人(2018)對3D U-Net進行改進，在編碼器最底層使用擴張卷積，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，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網絡(volumetric fully convolution neural network，V-FCNN)，可以一次性從高分辨率(640 × 640像素)圖像中分割整個心房，損失函數采用均方誤差和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分割。該方法在心房的中間部位有良好表現，但是在捕獲PV變異或分割心房到心室的瓣膜時性能仍有待提高。Li等人(2018)提出一種結合層次聚合和注意力機制的3維左心房分割網絡(hierarchical aggregation network，HAANet)，通過層次聚合增強了編碼器和解碼器中卷積神經網絡的淺層和深層特征融合能力，此外采用注意力機制提高了提取高效特征的能力。同樣，Zhao等人(2021)采用注意力機制，提出一種基于ResNet-101體系結構的框架，同時關注區域和邊界處的分割，使用區域損失和邊界損失相結合的混合損失同時處理邊界和區域，增加額外的注意模塊，使網絡對區域給予更多的注意，減少了鄰近相似組織的誤導影響。Xiong等人(2019)提出新模型AtriaNet，由多尺度的雙路徑架構組成，有16層CNN，利用13個CNN捕獲局部心房組織的幾何形狀和LA的全局位置信息，并進一步用3個CNN進行合并。由于其為雙路徑，本質上可以處理兩倍的信息量，與其他CNN相比，AtriaNet可以預見很多未見的患者數據，減少過擬合。

目前，多尺度特征圖也已用于其他領域。Dou等人(2017)提出的用于肺結節分類的神經網絡和Kamnitsas等人(2017)提出的用于腦病變分割的神經網絡都包含了不同輸入分辨率的多條路徑。Yu等人(2019)研究半監督的LA分割方法，提出一種不確定性感知半監督框架，從3D MRI圖像中分割LA。該框架支持在不同擾動下對相同輸入的一致預測，可以有效利用未標記數據。學生模型通過挖掘教師模型中的不確定信息，逐步在更有意義的目標中學習，在更可靠的監督下得到優化，鼓勵教師模型產生更高質量的目標。Yu等人(2019)基于數據層面或模型層面的擾動構建一致性進行半監督學習。Luo等人(2021)采用多任務網絡同時進行分割和水平集函數回歸，利用判別器進行正則化，通過兩個任務之間的表示差異構建一致性進行半監督學習。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 深度學習方法總結

深度學習方法主要分為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制、半監督和多尺度的方法。此外，還有多視圖、兩階段學習網絡、開放輪廓和特征重用等方法。通過多尺度、注意力機制擴大了模型的接受域，提高了模型的泛化能力。多尺度網絡是一種高效的體系結構，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，提高訓練后的深度學習模型的性能。注意力機制在人類視覺中起著重要作用，聚焦于重要區域，過濾無關信息，并彌補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義信息，提高了分割精度。在訓練數據有限的情況下，通過半監督網絡加快了模型的收斂速度，解決了標注數據時間花費大、標注數據少的難題。兩階段網絡也是較好的訓練策略，解決了類別不平衡問題，提高了基于深度學習方法的分割性能。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。

應用2D和3D分割方法都可以快速準確地分割左心房。但2D分割方法的參數量相對較少，處理速度快、效率高，對機器性能要求較低。3D分割方法保留了連續切片的空間信息，分割精度更高。然而，深度學習的方法仍然存在一些問題。2D卷積存在丟失空間信息、注釋數據冗余等問題。3D卷積模型復雜，網絡參數較多，增大了內存負擔，需要對圖像進行預處理，縮減原圖像的像素，但顯然會導致性能損失。FCN和U-Net體系結構雖然可以在一定程度上彌補空間分辨率的損失，但在小范圍目標上性能較差，而且需要大量的標注數據。

3 傳統方法與深度學習方法結合的左心房分割方法

基于深度學習的方法在心臟圖像分割中取得了很好的效果。然而，大多數基于深度學習的分割方法在訓練時只考慮離散空間中的標簽掩碼，缺乏空間信息，在邊界上的預測往往是模糊的，導致分割結果中有很多噪聲。而傳統方法依賴手工特征提取，耗費大量時間。由于缺少全局形狀約束、標記訓練數據不足以及網絡參數次優等原因，單獨使用深度網絡可能無法獲得滿意的結果。為了解決這一問題，在訓練和搭建神經網絡的基礎上，使用一系列傳統方法與之結合以增強深度學習的實現效果。例如，多圖譜分割法、水平集、形狀先驗和圖割法等，這也許是一個新的研究方向。

Yang等人(2018)在深度學習的基礎上采用多圖譜分割，改進了標簽融合過程和標簽融合權值的計算，實現了網絡自動學習深度特征。該方法重新構建了基于patch的標簽融合方法，將特征學習和標簽融合模塊集成到深度體系結構中，在多圖譜分割框架下學習最優的圖像特征進行標簽融合。提出的多圖譜分割方法通過精準的圖像配準，將解剖結構的形狀約束轉移到目標圖像上，而標簽融合過程只對轉換后的標簽進行融合，減少對大型標記訓練數據集的需求。與通過網絡損失直接學習圖像相似度的方法相比，該方法通過計算目標與圖譜之間的相似度來估計標簽融合權值，最大限度地減少了估計目標分割與真實目標分割之間的損失。相比于傳統多圖譜分割方法中手工提取特征，該網絡通過端到端訓練過程可以有區別地學習最優深度特征，并進行融合權值的計算。該方法在SATA-13(the MICCAI 2013 segmentation algorithms, theory and applications segmentation challenge)和LV-09 兩個公開的左心室分割數據庫上進行評估，平均Dice分別為0.833和0.95，都達到較高的精度，對跨數據庫評估具有較高的魯棒性。Li等人(2020b)提出多尺度卷積神經網絡學習和預測邊緣權值。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心內膜紋理和解剖特征，最后通過圖割法優化分割結果，明顯高于基于圖割法的分割精度。水平集方法通?；谛∮柧毤托螤罘指頛A，在對視覺對象變化建模方面存在一定局限性，而深度學習可以模擬這種變化，結合兩種方法的優點，既不需要大量的數據集又可以產生準確的分割結果。Ngo等人(2017)提出一種新的LV的心內膜和心外膜的分割方法，結合深度置信網絡(deep belief network，DBN)和DRLSE(distance regularized level set evolution)水平集，二者結合比單獨使用時分割精度更高，能夠在有限的標注圖像下進行魯棒訓練。Liu等人(2019)結合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，利用自適應閾值初始化水平集模型，這種方法比隨機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分割結果。該方法比原來的DRLSE方法在分割性能上有所提高，Dice分數為86.46%，提高了2.72%。Chen等人(2019)提出了形狀感知多視圖自動編碼器(shape-aware multi-view autoencoder，Shape MAE)，從心臟短軸和長軸視圖中學習解剖形狀先驗信息，然后將Shape MAE學習到的解剖先驗信息融合到改進的U-Net體系結構中，實現心臟短軸圖像分割。該模型保持了2D網絡的計算優勢，在訓練過程中使用的參數(約120萬個權重)比3D U-Net(約250萬個權重)更少，提高了計算效率。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，實現了在不同短軸切片上的準確分割，優于基線的2D U-Net和3D U-Net。對于LA和LA瘢痕分割，以往的方法通常獨立解決兩個任務，忽略了LA和LA瘢痕的內在空間關系。Li等人(2020a)利用二者的空間關系同時分割LA和量化疤痕，提出一個端到端的學習框架，結合空間編碼損失和形狀注意機制損失，空間編碼損失減少了預測中出現的異常值，降低了分割結果中的噪聲，合并了LA的連續空間信息。

深度學習方法與多圖譜分割、水平集、形狀先驗以及圖割法等傳統方法結合，彌補了傳統方法和深度學習方法的缺點，效果優于各自的分割結果。結合各自的優點分割左心房，提高了分割精度，降低了分割損失。但這些混合算法的結合方式、適用性及參數選取等有待更深入的研究。代表性的傳統方法與深度學習方法結合的心臟分割方法如表6所示，其中，DBN(deep fusion net)指深度融合網絡，DNN(deep neural network)指深度神經網絡。

表6 傳統方法與深度學習方法結合的分割方法Table 6 Combine tradition with deep learning segmentation methods

4 公共數據集及分割算法評估

4.1 公共數據集

有關左心房分割的公共數據集主要包括ISBI 2012(international symposium on biomedical imaging 2012)挑戰賽圖像數據庫、左心房分割挑戰賽圖像數據、MICCAI 2017全心分割挑戰賽圖像數據和MICCAI 2018心房分割挑戰賽圖像數據。

ISBI 2012挑戰賽圖像數據庫共60幅LGE-MRI圖像，射頻消融治療房顫前后各30幅，每個中心提供10幅消融前后的圖像，收集的圖像包括每次LGE-MRI掃描的LA心內膜和LA腔。圖像由3個人手工分割，建立了LA疤痕和纖維化的參考標準。Karim等人(2013)評估了8種不同算法，評估后發現沒有一種算法明顯優于其他算法。

左心房分割挑戰賽(left atrial segmentation challenge，LASC)是2013年在STACOM′ 13和MICCAI′ 13進行的，包括30個CT和30個MRI數據，CT和MRI的訓練數據10個，測試數據20個。Tobon-Gomez等人(2015)比較了挑戰賽上的9種CT算法和8種MRI算法。結果表明，基于圖譜的方法和區域生長的方法分割LA的效果最好。

MICCAI 2017全心分割挑戰賽提供了120幅覆蓋整個心臟的3維心臟多模態圖像，包括60幅CT和60幅MRI，對每一種模態，數據分為兩組，訓練集包括CT和MRI各20幅，測試集包括CT和MRI各 40幅。這些圖像都是在臨床環境中通過人工勾畫獲得的。Zhuang等人(2019)對12組提交的10種CT數據算法和11種MRI數據算法進行評估，結果表明，盡管訓練數據集數量有限，但許多基于深度學習的方法仍獲得了較高的精度。

MICCAI 2018心房分割挑戰賽的數據由60例房顫患者的154幅3D LGE-MRI圖像組成，其中，100幅用于訓練，54幅用于測試，圖像尺寸為576×576×88或640×640×88，數據包括消融前和消融后的圖像，由3位醫學專家手工進行LA分割。Xiong等人(2021)分析了提交的17種算法，發現基于深度學習的方法優于傳統的多圖譜分析方法，雙CNN的使用性能遠比單個CNN好。其中，第1個CNN用于感興趣區域的定位，第2個CNN用于細化區域分割。此外，大多數團隊的算法是基于U-Net框架的，而且PyTorch的分割效果更好。圖3展示了數據集的部分影像及標簽。LA分割的公共數據集如表7所示。

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

表7 左心房分割公共數據集Table 7 Left atrium segmentation common datasets

4.2 分割算法評估指標

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

HD用來衡量兩個點集之間的距離。ASD是所有點的表面距離的平均。Dice系數和Jaccard系數都是集合相似度度量函數，通常用于計算兩個樣本的相似度。AC代表真實結果在檢查病例總數中的比例。SP指篩檢方法將無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代表真陽率；FP代表假陽率；TN代表真陰率；FN代表假陰率。

部分文獻分割用到的數據集及評估指標如表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)指自動心臟診斷挑戰圖像數據；LV-2011指左心室分割挑戰圖像數據；MCD(median contour distance)指中值輪廓距離；MICCAI 2009指MICCAI 2009 CMR左心室分割挑戰賽圖像數據。

5 臨床應用

心房顫動的特征是左心房快速和不規則的收縮，對患者生活質量影響很大?；贚A分割結果，可以計算其功能指標，例如LA的射血分數(LVEF)、容積、應變和應變率等，實現對房顫的輔助診斷。評估LA功能的方法主要有多普勒和容積法。近年來，用于LV斑點跟蹤的超聲心動圖(speckle tracking echocardiography，STE)也應用于評估LA功能以輔助診斷房顫(Donal等，2017)。

表8 部分文獻分割用到的數據集和評估指標Table 8 Datasets and evaluation indicators used in partial literatures segmentation

Loureno等人(2021)用射血分數(EF)表征心動周期內的LA功能，EF依賴于整個心臟周期內LA體積的比率，為房顫研究提供重要的臨床信息。Bratt等人(2019)發現LA容積可以作為CT圖像中獨立預測房顫的因子，提出了一種測量體積的自動化方法，它與手工測量的性能相當，但在速度上高出許多倍。心臟應變可分為周向、徑向和縱向應變，徑向應變存在成像分辨率低、再現性差等缺點，因此目前研究最廣泛的是周向應變和縱向應變。Kadappu等人(2016)和Yoon等人(2015)使用為LV開發的應變軟件研究LA應變。Gan等人(2018)提出LA應變和應變率參數比傳統心功能參數更敏感。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應變、應變率和LA球形度的正常參考范圍，比較了使用CMR-FT和STE的LA應變。Hinojar等人(2019)通過CMR-FT評估LA功能，發現左心房縱向應變可能成為心臟不良的潛在預測因子。不同于傳統的通過周向和縱向應變評估LA功能，Hammouda等人(2020)開發了一種基于拉普拉斯方程的方法進行應變分析，通過求解心臟周期內連續兩幀之間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行應變估計。研究者發現，LA應變的臨床價值高于LA容積。Truong等人(2020)發現LA應變的診斷價值和預后價值高于LA體積，LA應變具有更高的診斷準確性。此外，Yasuda等人(2015)和Nakamori等人(2018)發現相比LA最大容積，LA應變更適合預測導管消融后房顫復發，同時LA應變還可以對房顫高風險血栓栓塞患者進行分層，這是因為與房顫相關的心房重構導致了房腔整體的幾何變化。Morales等人(2021)開發了一個基于深度學習的應變分析工作流，對分割、運動和應變估計做了基準測試，該工作流快速、獨立于操作人員，能夠從可重復的新數據中獲得應變值并與其他標記數據進行比較。

LA體積測量是對分割出來的LA應用標準公式估算，基于3維圖像的體積估計將更加精確。常用的LA體積測量方法是改進的辛普森方法和雙平面面積長度法，還可使用專門的3維建模軟件。LA應變是一種簡單、準確、重復性好的評估LA儲層、導管、收縮功能的技術。因此，標準化的方法、共同的參考值和LA 應變分析特定軟件對未來的研究和臨床應用至關重要。表9總結了目前心臟分割的臨床應用。

表9 心臟分割的臨床應用Table 9 Clinical application of cardiac segmentation

6 結 語

醫學圖像分割是計算機輔助診斷中的一項基礎性和挑戰性任務。本文介紹了醫學圖像中房顫分析的研究進展，重點介紹了左心房(LA)的分割算法和功能評估。傳統的分割算法主要依據LA的輪廓、形狀和紋理確定邊界，但受醫學圖像分辨率不高和心臟結構復雜的影響，造成其分割不準確，適用范圍有限。深度學習的分割算法主要是基于CNN及其變體分割LA，在時間效率方面，2D架構的網絡明顯強于3D網絡，通常比3D架構快4倍左右，但是在分割性能方面二者相當。LA功能評估主要有射血分數，體積、應變和應變率等臨床指標。雖然MRI圖像具有良好的時間、空間分辨率等優點，但從MRI中自動分割LA仍具有很大的挑戰性。首先，左心房相對于背景只占很小的比例，使得算法難以定位和識別邊界細節。其次，由于磁共振分辨率有限，與周圍腔室強度相似，心肌壁較薄，所以心房和肺靜脈周圍常出現邊界模糊。最后，左心房的形狀和大小在不同受試者和時間點有很大差異。

針對LA分割和房顫分析的研究現狀，可從以下方面進一步探索，提高LA的分割質量和房顫診斷精度。目前的研究大多是基于單一中心的數據，提出的算法只在單一數據集上表現良好，需要提高模型在不同醫院不同設備的數據上的泛化能力。標準數據不足影響模型收斂速度且標注數據耗費時間，實現半監督或弱監督分割是一個突破口。一般來說，圖像質量越高，分割精度越高，如何通過預處理提高圖像分辨率或減少模型對圖像質量的依賴有待探究。許多研究方法只關注區域分割，忽略了邊界分割，需要進一步提高邊界或小目標的分割精度。深度學習與心臟多模態圖譜或形狀信息相結合的混合方法具有潛力，值得進一步探索。