利用深度学习分析实现核磁共振图像分割

　　人的心脏是一个惊人的机器，能不间断地运作长达一个世纪。测量心脏功能的重要方法之一是计算其射血分数：心脏在舒张期充满血液后，在收缩期射出血液的百分比。获得这一指标的第一步，便依赖于心脏图像的心室分割（描绘区域）。

　　作者在纽约进行InsightAI计划（http://insightdata.ai/）期间，决定响应AI Open Network主持的研究呼吁，参与解决右心室精确分割挑战（https://ai-on.org/projects/cardiac-mri-segmentation.html）。设法通过超过少于当前一个数量级的参数，来达到目前最佳的结果。下面简要说明一下过程。

　　▍问题描述

　　研究呼吁：

　　开发能够从心脏核磁共振成图像（MRI）数据库中，自动分割右心室的系统。到目前为止，右心室分割主要由经典的图像处理方法处理，现代深度学习技术将有可能提供更可靠，全自动化的解决方案。

　　2016年，由Kaggle发起的左心室分割挑战的三名获奖者，都采用了深度学习的解决方案。相比较而言，右心室（RV）分割更具挑战性，原因如下：

　　在腔内存在与心肌相似的信号强度；右心室是复杂的新月形，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相当大，特别是有病理改变的病例，等等。

　　不使用医学术语，识别右心室困难的原因是：左心室是一个厚壁的圆柱型区域，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。下图是MRI快照中手工绘制的右心室内壁和外壁（心内膜和心外膜）轮廓：