初识：心血管磁共振(CMR)成像

Posted 2022-12-12 Paul-Huang

一. 什么是CMR

1.1 定义

心血管磁共振成像 （CMR）， 俗称心脏MRI :

• 是一种评估心血管系统的功能与结构的一种非侵入式医学成像技术。
• 它运用磁共振成像(MRI)基本原理，针对心血管系统成像的特殊困难，优化现有的MRI成像技术，使其具有临床价值。
• 优化序列设计的重点主要在心电门控和快速成像技术两方面。结合这些不同的技术，组成的方案就能对心血管系统中的主要功能、形态和结构等进行评估。

1.2 物理层面

• CMR的成像原理与其他磁共振成像技术基本原理类似，其关键点是利用心电门控技术，把数据采集的时间控制在心脏跳动周期的某一时段之内。
• 大多数的CMR技术，都$以身体水分子中的氢原子（一种化学元素）作为磁共振信号源$，因为它在人体内的含量最丰富。CMR不使用电离辐射，它使用磁场的改变和射频(RF)脉冲，由于脉冲与病人自身的氢原子核间的共振现象，病人吸收了射频能量。当这些能量发出时，通过线圈的检测，转换成电信号，再利用算法将其转换成图像。

1.3 心脏介绍

1.3.1 位置介绍

• 心脏位于胸腔纵隔内，周围裹以心包。心底与出入心脏的大血管相连，并借心包皱襞连于心包后壁，心脏的其余部分是游离的，这有利于心脏的搏动。心脏约2/3位于身体正中矢状面的左侧，1/3位于右侧。
• 由于在发育过程中心脏沿纵轴向左旋转，心脏的纵轴自右后上方向左前下方倾斜，与身体正中矢状面呈45°角。因此，右心房和右心室位于右前方，左心房和左心室位于左后方。
  
• 心脏的位置常受呼吸、体型和姿势等因素的影响而改变。吸气时心脏为垂直位，呼气时为横位。在矮胖体型、仰卧和妊娠晚期，心脏为横位，高瘦体型和直立姿势时为垂直位。侧卧时，心脏向侧方轻度移位。

二. CMR图像分割

2.1 任务分析

• 相比较脑区域分割，医学图像中的心脏分割问题要更复杂，因为心脏是一个不停运作的器官，其形状也会在运动过程中发生变化。本文我们就来看看医学图像分割之心脏分割。

• 心脏是我们身体内的一个重要器官，拥有一个健康、稳定工作的心脏是我们探索、创造和感知世界的必要条件。然而，各种各样的心脏类疾病也严重威胁着许多人的生命。为了有效治疗和预防这些疾病，精准计算、建模和分析整个心脏结构对于医学领域的研究和应用至关重要。

• 目前，这个问题的解决仍然需要依赖大量的人工。这样做不仅耗时，而且精度有时难以保证。因此，需要实现心脏区域的自动分割用于解决心脏医疗领域的实际问题。在众多手段中，基于神经网络的方法具有明显优势。以2016年Kaggle发起的左心室分割挑战为例，三名获奖者所使用的方法都是深度学习。

• 在心脏分割问题中，通常按结构将心脏分成几个标注区域。比如以MM-WHS数据库为例，有：

  • $左心室血腔$（the left ventricle blood cavity, LV）
  • $左心室心肌$（the myocardium of the left ventricle, Myo）
  • $右心室血腔$（the right ventricle blood cavity, RV）
  • $左心房血腔$（the left atrium blood cavity, LA）
  • $右心房血腔$（the right atrium blood cavity, RA）
  • $升主动脉$（the ascending aorta, AA）
  • $肺动脉$（the pulmonary artery, PA）
  • $最大舒张末期$(End of maximal diastole, ED)
  • $最小收缩末期$(End of minimal systole, ES)

  如图：
  
  这些区域由于本身的特性，其难易程度和分割手段也存在不同。通常来讲，普适性的心脏分割算法能够实现基本的区域分割，但是要实现精准分割还是需要对单独区域进行单独处理。相对而言，$右心室（RV）的分割难度更大$，我们就以此为例分析一下其存在的难点。

2.2 难点分析

2.2.1 区域本身的困难

心脏分割问题中，每个区域的形态、工作方式不同，从而导致了每个区域的分割方法和难点也不同。以右心室为例，其存在的难点有：

• 在腔内存在与心肌相似的信号强度；
• 右心室新月形形状复杂，从基部到顶点一直变化；
• 分割顶点图像的切片十分困难；
• 患者的心室内形态和信号强度差异大，且可能有病理改变；

简单来讲，$左心室是一个厚壁的圆柱形区域，而右心室是一个不规则形状的物体，较薄的心室壁有时会与周围的组织混在一起。$

下面用几组图片来感受一下这种分割问题的困难。

1. 下图是右心室的MRI图片：
   
2. 再困难一点：
   
3. 而对于未训练过的肉眼，右心室区域是这样的：
   

2.2.2. 数据库的困难

• 对基于深度学习的医学图像分割方法而言，数据库的获取是最主要的困难。通常，相对大规模的数据库的图片规模在几千张图片，其中已标注的通常只有几百张，患者个体数就更少了；而小一点规模的数据集则远远小于这个数量。这种体量的数据库对于无监督或弱监督网络也许够用，但是对于有监督网络的训练而言，是远远不够的。

• 与其他数据不足的场景相同，医学图像也可以借助数据扩张实现网络的训练。比如下图所示，通过随机旋转、平移、缩放、裁剪、弹性形变等手段，对原始图像进行变换：
  

2.3 应用实例

2.3.1 心室分割

• 基于FCN网络结构实现左、右心室分割：

  Phi V. T… A Fully Convolutional Neural Network for Cardiac Segmentation in Short-Axis MRI[C]. CVPR 2016.
  

• 基于多尺度残差稠密网络实现心室分割：

  Khened M., Kollerathu V. A., and Krishnamurthi G. Fully Convolutional Multi-scale Residual DenseNets for Cardiac Segmentation and Automated Cardiac Diagnosis using Ensemble of Classifiers[J]. Medical Image Analysis, 2019.
  

2.3.2 完整心脏分割

• 基于P3D和FPN实现完整的心脏分割：

  Zhanwei X., Ziyi W., and Jianjiang F…CFUN: Combining Faster R-CNN and U-net Network for Efficient Whole Heart Segmentation[C]. CVPR 2018.
  

参考

1. 心血管磁共振成像
2. Society for Cardiovascular Magnetic Resonance
3. 【图像分割应用】医学图像分割（二）——心脏分割
4. MRI图像右心室分割
5. 心脏的位置图解
6. 【生物】心脏的结构