今天将分享使用增强MR的心肌梗塞图像多类分割的完整实现过程，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
一、图像分析与预处理
（1）、评估心肌梗塞（MI）后的心脏状态的一项重要参数是心肌节段的生存力，即该段在血运重建后是否恢复了功能。注射造影剂后数分钟进行MRI（延迟增强MRI或DE-MRI）是评估MI程度的一种选择方法，并据此扩展以评估损伤后的活组织（与通过cine-MRI评估的肌肉增厚相结合评估）。EMIDEC挑战赛有两个主要目标：a、对正常和病理病例进行分类，b、 自动检测不同的相关区域 （心肌轮廓，梗塞区域和永久性微血管阻塞区域（无回流区域）），通过一系列涵盖左心室的短轴DE-MRI检查得出的。
（2）、该数据库包括：一个包含100名患者的训练数据集，其中包括67个病理病例（以字母“ P”表示）和33个正常病例（以字母“ N”表示）；一个由50名新患者组成的测试数据集，其中包括33例病理病例和17例正常病例。对于每种病例，都有一个包含临床信息的文本文件，一个包含图像和一个标签mask包含（背景（0），腔（1），正常心肌（2），心肌梗塞（3），无回流（4）），然后整个心肌是面罩2、3和4的结合体。正常病例标注mask中只有0，1，2，而病变标注mask中不仅有0，1，2，而且至少还会有3和4。
数据采集是使用西门子MRI获得的。具体而言，所有采集均通过ECG门控，屏住呼吸，并在注射钆造影剂10分钟后进行的。使用T1加权的相敏反转恢复（PSIR）序列。所产生的MR图像包括从左心室底部到顶点的一堆短轴切片，具有以下特征：像素间距介于1.25×1.25 mm 和2×2 mm 之间，8毫米的切片厚度以及8到13毫米之间的切片之间的距离。这些参数在1.5 T或3 T磁体上采集时的变化使我们能够处理具有不同信噪比的图像。为了防止由于不同的屏气而导致心脏位置在切片之间移位的缺点，根据心外膜轮廓所限定区域的重心将切片重新对齐。此外，临床信息将在文本文件中提供：性别，年龄，烟草（是/否/前吸烟者），超重（BMI> 25），动脉高压（是/否），糖尿病（是/否），家族史冠状动脉疾病（Y / N），ECG（ST （STEMI）与否），肌钙蛋白（值），Killip max（1至4），回波描记术从左心室射血分数（值），NTproBNP（值） 。
（3）、由于训练数据中有正常病例和病变病例，所以需要采用级联的方法来分割，采用三个阶段来实现。第一阶段将原始图像和标注图像进行图像大小缩放到固定大小，具体是224x224x16，第二阶段根据标注图像的有效范围，扣取出ROI区域，再将对应的原始图像和标注图像的ROI图像缩放到固定大小，具体是64x64x16，为了要对正常和病变病例进行分类分析，再将第二阶段中的ROI图像分成两类，根据文件名称，包含N字母就是正常病例，标签是0，包含P字母的就是病变病例，标签是1。
（4）、对缩放后的原始图像进行异常值截断处理，将95%以上的灰度值和5%以下的灰度值进行截断。
（5）、然后在采用均值为0，方差为1的方式对原始图像进行归一化处理。
（6）、为了防止模型过拟合，还增加了数据增强的处理过程，采用旋转，翻转等方法对图像和标注数据同时进行扩充处理，这里扩充了50倍。
二、分割网络
2.1、第一阶段分割网络
（1）、搭建VNet3d模型，网络输入大小是（224, 224, 16），输出是（224, 224, 16）。
（2）、loss采用的是多分类的focalloss函数。
（3）、训练损失函数和精度结果如下所示。
2.2、第二阶段分割网络
（1）、搭建VNet3d模型，网络输入大小是（64, 64, 16），输出是（64, 64, 16）。
（2）、loss采用的是多分类的focalloss函数。
（3）、训练损失函数和精度结果如下所示。
三、分类网络
（1）、搭建Resnet3d模型，网络输入大小是（64, 64, 16），输出是0和1标签值。
（2）、loss采用的是二分类的crossentropy函数。
（3）、训练损失函数和精度结果如下所示。
四、测试数据结果
在实际推理过程中，首先测试输入图像统一缩放到（224, 224, 16），设置截断范围（5%，95%），再采用均值为0，方差为1的方式对图像进行归一化，输入到第一阶段分割网络中预测，得到血腔和心肌的分割结果，根据该结果提取有效ROI区域，从图像上也同时提取该区域，输入到二分类网络中去判断是不是病变病例，如果是病变，将该ROI区域再输入到第二阶段分割网络中预测，得到心肌梗塞和无回流的分割结果，最后将所有阶段的分割结果进行整合再缩放到原始图像大小。在50例测试数据上的分类结果如下所示：
('Case_101', 0)('Case_102', 0)('Case_103', 0)('Case_104', 0)('Case_105', 1)('Case_106', 1)('Case_107', 1)('Case_108', 1)('Case_109', 1)('Case_110', 1)('Case_111', 0)('Case_112', 1)('Case_113', 0)('Case_114', 1)('Case_115', 0)('Case_116', 0)('Case_117', 0)('Case_118', 1)('Case_119', 1)('Case_120', 1)('Case_121', 1)('Case_122', 1)('Case_123', 1)('Case_124', 0)('Case_125', 0)('Case_126', 1)('Case_127', 1)('Case_128', 1)('Case_129', 0)('Case_130', 0)('Case_131', 0)('Case_132', 0)('Case_133', 0)('Case_134', 0)('Case_135', 1)('Case_136', 0)('Case_137', 0)('Case_138', 0)('Case_139', 0)('Case_140', 1)('Case_141', 1)('Case_142', 0)('Case_143', 0)('Case_144', 1)('Case_145', 1)('Case_146', 1)('Case_147', 1)('Case_148', 1)('Case_149', 0)('Case_150', 1)
下面是部分病变数据预测分割结果。
