摘要
心房颤动是临床上最常见的心律失常之一。全球房颤人数估计3350万人，且患病率随着年龄的增长而增加，预计2060年房颤患病人数将增加2倍。与此同时，房颤导致的住院率增长已经超过急性心机梗死和心力衰竭，房颤的社会负担日趋严重。心肌病的发病率大约为10万人，我国住院患者中心肌病约占心脏病的1.5%至2.5%。基于超声心动图检查的流行病学资料显示肥厚性心肌病人群发病率大约为0.2%，在美国大约有50万人患有肥厚性心肌病。而且目前有一半以上的患者是在出现心脏症状（胸痛或劳力性呼吸困难）或急性心脏事件（昏厥、心房纤颤、周围血管栓塞或心脏停搏等）后诊断的，一些室壁厚度极度增厚，具有极高危猝死危险的患者也很少出现症状，往往难以早期诊断和治疗。 因此早期诊断出结果变为异常重要，大多数人都会做一个体检，在检验过程中医生需要有能快速筛选判断病人心脏是否病变的辅助诊断系统。而且全球有千万千万个医院，每一个医院都有不同的扫描设备。对于以往的深度模型只能对同一扫描设备得到的MRI数据做出相应的分割模型，在不同扫描设备得到的MRI数据不能很好的做出分割模型，或者分割精度较低。 三维医学图像分割在医学图像分析中起着至关重要的作用，而注意力机制在很大程度上提高了医学图像的性能。然而，现有的方法都是在小范围内获得注意系数，可能存在一定的性能局限性。在临床实践中，放射科医生通常先扫描所有切片，对目标有一个整体的概念，然后在多个2D视图中分析感兴趣的区域。我们模拟了放射科医生的识别过程，并提出了更深入地利用3D上下文信息进行精确的三维医学图像分割，特别提出了目标区蒸馏和分段注意两种优化方法。 （1）、针对人体结构的相似性，不同人群的医学图像具有高度相似的形状和位置信息，因此我们采用目标区域蒸馏(TargetAreaDistillation)的方法提取共同的分割区域信息，目标区域蒸馏在原始输入的基础上加入位置信息，随着模型训练的迭代，目标区域的提取就是将随机原始输入信息中的每个元素点更新为标签对应的位置信息。最后，将所有数据与不同数据中某元素点的目标位置信息进行整合，形成统一的目标区域位置信息，有助于增强模型对感兴趣区域的区分。本文设计了一个三维切片注意力模块在三个二维切面中进行注意提取，提高了接收域范围大小尺寸。每个切面都可以从其他维度的切面中获取特征信息，这有助于提取更多的上下文信息，从而提高对该区域的兴趣敏感度，加强对所感兴趣区域特征信息的关注。 （2）、针对所有研究者分割出来的心脏区域通常有着部分错误区域，甚至分割区域形状差别过大。因此我们设计了一个二阶段的分割网络模型，该模型在第一阶段采用Transformer与CNN结合的分割模型对心脏CT影像进行分割，第二阶段先对第一阶段产生的分割mask进行随机遮掩，将所有遮掩的mask作为数据集输入到修正网络进行修正。在第一阶段分割出来的心脏CT影像部分有错误分割区域,包括形态错误、区域溢出、区域缺少等，然后在第二阶段的修正网络中能精确的修正形态错误，删除溢出区域，增补缺少区域等问题，提高心脏的分割精确度，比现在主流的心脏分割网络更优。 （3）、更进一步的研究是医学图像分割的后处理，这是一个非常重要的步骤，本文使用了数学形态学的研究方法，将实验过程中分割后的图像再进一步的提升精确度。因为分割后的图像在主要的心脏区域外会有很多错误的零星区域，这些错误的零星区域会降低分割结果的精确度，因此我们先将我们的图像进行腐蚀运算后再做膨胀运算，然后根据连通区域面积计算的方法，计算出每一个连通区域的面积大小并进行统计。最后根据我们原先设定的阈值进行筛除，根据实验总结，我们将阈值设定为1，只保留连通区域最大面积的部分，从而提高我们分割的精确度。 本文提到的方法与两个公共数据集(包括ImageCHD和COVID-19)中的几个流行网络进行了比较。使用我们自己设计的目标区域蒸馏模型和应用于多标签的三维切面注意机制来评估我们提出的方法。三维的心脏分割数据和COVID-19三维肺分割数据。结果表明，本文提出的三维切面注意力机制和目标区蒸馏能够提高预测精度，比最先进的方法提高了2%-4%的分割Dice分数，获得最佳的预测性能。
NETL