论文阅读-颈动脉超声图像斑块分割

DEEP LEARNING-BASED CAROTID PLAQUE SEGMENTATION FROM B-MODE-基于深度学习的B型超声图像颈动脉斑块分割

---

摘要

TPA：颈动脉超声测量总斑块面积；斑块面积可以显示颈动脉狭窄程度，有深远意义但是需要边界分割。手工分割又耗费时间所以要开发一种自动分割斑块分割方法。
使用纵向颈动脉超声图像分割斑块。
论文采用修改的U-Net网络

引言

描述一些颈动脉粥样硬化，中风的危害性，

许多研究偏向于测量IMT：

1.描绘内膜腔和中膜-内膜边界并测量颈总动脉中这些边界之间的厚度来量化颈动脉内膜中层厚度（IMT）；
2.测量颈动脉中的总斑块面积（TPA）是量化动脉粥样硬化负荷的方法。本文通过追踪所有斑块的边界并将它们的面积相加来测量TPA；

许多研究只是检测和分析IMT，没有分割颈动脉板块边界用于PA和TPA测量。

先前工作：

使用3D U-Net算法从颈总动脉3D超声图像生成总斑块体积，但是此方法需要三维超声采集方法，在许多诊断中心不可用。

做的工作：

修改了U-Net的体系结构和参数，并使用来自144名患者的510个斑块在产生TPA测量中评估其性能。同时通过两个不同方法使用相同的训练图像集合进行斑块分割，评价了该方法对训练数据集的敏感性，并在另一家医院的独立数据集上评价了训练后的 U-Net模型的性能。

通过识别斑块周围的矩形感兴趣区域（ROI）手动裁剪这些图像中的每个斑块。纳入标准包括可见斑块，其特征在于通过二维超声测量的血管壁增厚超过1mm。多普勒超声检查狭窄≥70%的患者被排除在外–（过于严重）。

方法

1. 数据获取
   两个数据集-一个来自中风预防和动脉粥样硬化研究中心（SPARC，伦敦，加拿大），第二个来自中南医院（中国武汉）。

2. 手动分割

算法和模型的准确率很大一部分都依赖于手动分割的‘Ground Truth’，因此还需要评估标签集的可靠性。

对参与人工分割任务的两名观察者A1, A2进行1个月的训练，对随机选取的20组图像进行重复分割，并对分割结果进行检验。重复训练周期，直到其一致性达到观察者之间和观察者内部的Dice相似系数(DSCs) 超过90%。训练阶段结束后，两位观察人员对彼此的分割结果采取盲法，并手工对510个颈动脉斑块进行分割。

为了评估每个观察者的自身特异性，我们随机选取20个颈动脉斑块的图像，每个斑块在两个不同的时间段以2周的间隔分割，以消除斑块的记忆。利用这些分段斑块，我们通过计算斑块面积测量值的差异和相关系数，分析了观察者之间和观察者内部的变异性。

3. 算法分割
   U-Net
   

蒙特卡罗交叉验证（Xu和Liang 2001）用于将SPARC数据集分成2/3用于训练（来自100名患者的344张图像）和1/3用于测试（来自44名患者的144张图像），并且该操作重复10次。用于测试的所有图像都独立于图像训练集。

由于斑块在超声图像占据区域较小，所以需要手动 选择斑块的ROI，将其作为输入图像以减少检测图像区域的大小。

U-net 训练程序要求用于训练的批处理中的所有图像具有相同的大小，但是每个批处理中的图像可以具有不同的大小。为了确保有效的收敛，我们使用了64张图像的批量大小，以便快速收敛。每个批处理的图像被填充和调整大小，以便根据该批处理图像的平均大小使用相同的大小。通过这种方式，每批产品的图像尺寸都与其他批次的不同

4. 评价指标

个体斑块面积的差异是两个观察者从两次手动分割中获得的测量值，以及手动和算法分割之间的测量值，标记为斑块面积误差 (ΔPA)，以及每个斑块的部分斑块面积误差 (即，ΔPA/PA) 用于评估 算法分割的性能。 通过对每位患者的所有单独斑块面积求和来计算 TPA 测量值。 TPA 误差 (ΔTPA)通过从手动分割的 TPA 中减去基于算法的 TPA 来确定。

5. 统计分析
   GraphPad Prism 软件（GraphPad Software，San Diego，CA，USA）用于统计分析，其中使用两样本未配对 Student t 检验来确定统计显着性（p<0.05）。 Pearson 相关系数 (Pearson’s r )，95% 的限值一致性 (LOA) 和 95% 置信区间 (CI) 用于评估使用不同方法生成的斑块区域之间的相关性和一致性（手动和算法），a p value<0.05 表示有统计学意义。 我们还使用 Bland Altman 图来评估两个 TPA 测量值之间的一致性。 变异系数（CoV = SD = 平均值 X 100%）用于确定观察者手动分割可变性。

结果

可视图：

算法分割与手动分割的实例分割比较。第一行：O1的算法分割；第二行：O1的手动分割。

Bland Altman图：

算法与手动总斑块面积 (TPA) 的关系和一致性。 
(a, b) 由算法和 O1 的手动分割生成的 TPA 的相关性和 Bland-Altman 图。 
(c, d) 相关性和由算法和 O2 的手动分割生成的 TPA 的 Bland-Altman 图。 
在（b）和（d）中，红色实线代表表示偏差的均值，虚线是均值§1.96标准差。 

表格：

比较基于算法和手工生成的44名患者的 tpas，使用两个观察员的分段作为训练和测试的标签。

TPA = 总斑块面积； LOA = 协议限制； CI = 置信区间； Alg1 = 基于第一个观察者手动分割的训练 U-Net 模型的结果； 		
Alg2 = 基于第二个观察者手动分割的训练 U-Net 模型的结果；
Man1 = 第一个观察者的手动分割； Man1 = 第二个观察者的手动分割。 

模型比较：

PA = 斑块面积； FCN = 全卷积网络； N = 患者人数； GVF = 梯度矢量流（Bonanno 等人，2017 年）。 

总结

个人觉得模型以及方法比较太简单了，按之前看的论文的话，比较一般会有其他比较模型的分割可视化图，以及对比的Dice与Accuracy。可能本文的侧重点不在于模型而是在于TPA测量这个方向。