2018 Left Atrium Segmentation Challenge

2018年左心房分割挑战数据集是目前世界上最大的心脏LGE-MRI数据集，包含154个3D LGE-MRI图像，由三位医学专家进行左心房分割标注。该数据集旨在通过大规模的基准测试，推动自动分割算法的发展，特别是在心脏疾病的临床诊断和治疗中。数据集的创建过程涉及高质量图像的采集和专家标注，应用领域主要集中在心脏疾病的诊断和治疗，特别是针对左心房的精确分割，以提高临床决策的准确性。

The 2018 Left Atrium Segmentation Challenge Dataset is currently the world's largest cardiac LGE-MRI dataset, consisting of 154 3D LGE-MRI images annotated for left atrium segmentation by three medical experts. This dataset aims to promote the development of automatic segmentation algorithms through large-scale benchmark tests, especially for clinical diagnosis and treatment of cardiac diseases. The creation of this dataset involves the acquisition of high-quality images and expert annotation, with its application fields mainly focusing on the diagnosis and treatment of cardiac diseases, particularly precise left atrium segmentation to improve the accuracy of clinical decision-making.

搜集汇总

数据集介绍

构建方式

2018 Left Atrium Segmentation Challenge 数据集构建于154个3D LGE-MRIs，这些数据是从60名患有心房颤动的匿名患者中独立获取的。每个患者的LGE-MRI扫描是为了在消融治疗前和治疗后定义心房结构和纤维化分布。LGE-MRIs是在注射0.1 mmol/kg的钆对比剂后大约20-25分钟获得的，使用3D呼吸导航、反转恢复准备的梯度回波脉冲序列。所有LGE-MRI扫描的空间分辨率为0.625×0.625×0.625 mm³，空间维度为576×576×88像素或640×640×88像素。左心房腔体体积由三名训练有素的观察者使用Corview图像处理软件手动分割。LGE-MRI图像体积及其相关的左心房分割以nrrd格式存储。LGE-MRIs是灰度图，分割标签是二进制的。

特点

该数据集是目前世界上最大的心脏LGE-MRI数据集之一，具有高质量的专家标记的左心房腔体。数据集的特点包括高分辨率、三维结构和详细的分割标签。此外，数据集还包含了多种图像质量指标，如信噪比、对比度和异质性，为研究不同图像质量对分割性能的影响提供了可能。

使用方法

2018 Left Atrium Segmentation Challenge 数据集可用于训练和评估心房分割算法。参与者可以使用训练集来开发他们的算法，并使用测试集来评估算法的性能。数据集还提供了多种性能指标，如Dice分数、交并比、灵敏度、特异度、豪斯多夫距离和表面到表面距离，以全面评估算法的性能。

背景与挑战

背景概述

心脏图像分割，尤其是晚期钆增强磁共振成像（LGE-MRI）的分割，对于临床诊断和治疗至关重要。然而，由于LGE-MRI中非病变组织的对比度衰减和成像伪影，直接分割LGE-MRI仍然是一个挑战。为了解决这个问题，研究人员组织了“2018年左心房分割挑战”，使用了154个3D LGE-MRI，这是目前世界上最大的心脏LGE-MRI数据集，以及由三位医学专家分割的左心房标签。该挑战吸引了27支国际团队参与，并对提交的算法进行了技术指标和生物指标的分析，提供了卷积神经网络（CNNs）的主要设计选择和实现最先进左心房分割的实用考虑的总体图景。结果表明，最佳方法实现了93.2%的Dice分数和0.7毫米的平均表面到表面距离，显著优于先前的最先进方法。特别是，我们的分析表明，连续使用两个CNN的方法，其中第一个CNN用于自动区域-of-interest定位，随后一个CNN用于细化区域分割，比传统方法和包含单个CNN的管道取得了更好的结果。这项研究的发现可能会扩展到其他成像数据集和模式，对更广泛的医学成像社区产生影响。这项大规模基准测试研究在改进心脏LGE-MRI分割方法方面迈出了重要的一步，并将作为评估和比较该领域未来工作的重要基准。

当前挑战

LGE-MRI分割的挑战包括：1)所解决的领域问题，即晚期钆增强心脏磁共振成像的分割；2)构建过程中所遇到的挑战，包括图像对比度衰减、成像伪影和图像质量变化。为了克服这些挑战，研究人员采用了各种方法，包括传统的基于图集的方法和深度学习方法，特别是卷积神经网络（CNNs）。此外，还进行了超参数分析，以确定CNNs的最佳参数选择，从而实现最先进的分割准确性。尽管取得了进展，但仍然存在一些问题，例如在肺静脉和二尖瓣区域分割的不准确性。未来的工作可能需要更多的LGE-MRI和多中心LGE-MRI，以提高CNNs在不同数据集上的鲁棒性，并扩展当前的方法到并发多标签问题，例如同时分割两个心房腔和心房。

常用场景

经典使用场景

2018 Left Atrium Segmentation Challenge 数据集主要用于评估和比较分割心脏磁共振成像中左心房结构的算法性能。该数据集包含了154张3D LGE-MRI图像及其对应的左心房分割标签，由三位医学专家手动标注。挑战吸引了来自世界各地的27支国际团队的参与，并基于提交的算法进行了技术指标和生物学指标的分析。结果表明，最佳方法的Dice分数为93.2%，平均表面到表面距离为0.7毫米，显著优于之前的最先进方法。特别是，我们的分析表明，双顺序使用的CNN，其中第一个CNN用于自动感兴趣区域定位，第二个CNN用于细化区域分割，比传统的单一CNN方法和包含单一CNN的管道实现了更好的结果。这项研究的发现可以潜在地扩展到其他成像数据集和模式，并对更广泛的医学成像社区产生影响。

衍生相关工作

该数据集衍生了一系列相关的工作，包括但不限于：基于深度学习的左心房分割算法、多中心LGE-MRI数据集的分割算法、以及左心房和肺静脉同时分割的多标签问题。此外，该数据集还促进了2D双CNN方法的研究，该方法在分割更复杂的任务，如双心房分割中，可能具有更好的分割准确性。这些相关工作的开展，将有助于推动医学图像分割领域的发展，并为临床诊断和治疗提供更准确和自动化的工具。

数据集最近研究

最新研究方向

2018 Left Atrium Segmentation Challenge数据集为心脏影像分割领域提供了宝贵的研究资源。该数据集的建立旨在推动自动分割技术在晚期钆增强心脏磁共振成像（LGE-MRI）中的应用，并以此促进临床诊断和治疗。通过全球范围内的竞赛，该数据集吸引了27个国际团队的参与，并取得了显著成果。研究结果表明，基于U-Net架构的卷积神经网络（CNN）在分割左心房方面表现出色，特别是双重CNN方法，即第一个CNN用于自动定位感兴趣区域（ROI），第二个CNN用于对ROI进行精细分割，取得了远超传统单CNN方法的性能。此外，研究发现，2D和3D CNN方法在分割准确性方面具有可比性，而双重CNN方法在技术指标和生物学指标上均取得了最佳结果。这些研究成果为心脏LGE-MRI分割方法的改进提供了重要参考，并有望应用于其他成像数据集和模式，对医疗影像领域产生深远影响。

相关研究论文

• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging

  奥克兰生物工程研究所 · 2020年