构建多病种心脏MRI跨设备智能分割算法

作者：侯思宇; 陈子航; 杨鹏飞; 肖晶晶; 吴毅; 粘永健^*

来源：陆军军医大学学报, 2023, 45(22): 2319-2326.

DOI：10.16016/j.2097-0927.202304098

• 心脏磁共振
• 智能分割算法
• 多病种、跨影像设备
• 损失函数优化

目的 构建多病种心脏磁共振成像(magnetic resonance imaging, MRI)跨设备智能分割算法，提升模型在多病种条件下、不同影像设备中的通用性。方法 利用MICCAI 2020公开的M&Ms Challenge心脏磁共振数据集(n=320)作为研究对象，针对现有分割模型因小样本数据训练导致泛化能力差的问题，提出不平衡相似度优化损失函数USOLoss,改进主流的UNet、DeepLabV3+、TransUNet算法，对不同病种(疾病组)和不同影像设备(设备组)的心脏磁共振成像进行分割，并进行内外部数据验证。结果 利用戴斯相似系数(Dice similarity cofficient, DSC)和豪斯多夫距离(Hausdorff distance, HD)评估模型的性能，其中疾病组模型最佳分割结果DSC为0.845(扩张型心肌病，n=20)、0.811(肥厚型心肌病，n=20)、0.833(健康受试者，n=20)和0.816(其他病种，n=0.62),HD为3.05、2.53、2.15和2.36 mm;设备组模型最佳分割结果DSC为0.830(飞利浦，n=20)、0.844(西门子、n=20)、0.843(佳能，n=20)和0.815(通用电气，n=50),HD指标分别为1.96、2.92、1.67和2.08 mm。与未使用构建算法的模型相比，使用USOLoss构建的模型各项测试结果均得到了提升(P<0.05)。结论 不平衡相似度优化损失函数全面提升了现有主流深度学习UNet、DeepLabV3+和TransUNet网络模型性能，降低了不同疾病类型和不同影像设备对分割性能的影响。

• 单位
  第三军医大学; 重庆大学; 中国人民解放军陆军军医大学; 电子科技大学; 生物工程学院