论文部分内容阅读
冠状动脉分割在血管解剖结构分析、冠脉疾病临床诊断(例如冠脉狭窄、冠脉钙化等)、冠脉外科手术方案制定以及血流情况建模等研究中至关重要。目前冠状动脉分割方法主要包括主动轮廓模型法、区域生长法、匹配滤波法、机器学习方法等,然而由于CTA图像中冠状动脉与周围组织器官(例如心脏腔室、肺动静脉等)的强度值比较接近,连同造影剂分布不均匀引起的图像噪声,以及心脏跳动引起运动伪影等问题,导致精确地进行冠脉血管分割仍然充满挑战。针对此挑战,本文提出了一种基于半监督深度学习的CTA图像冠状动脉分割方法,首先构建了一种用于冠脉血管切片识别的卷积神经网络,然后研究改进的多尺度特征分解网络进行二维切片的冠状动脉分割,最后将二维切片中冠状动脉的分割结果组合起来实现了冠状动脉的三维分割。本文的研究工作可概括如下:(1)为了解决心脏内外与冠脉结构相似的组织器官对冠脉分割结果的影响问题,本文使用带有注意力机制的卷积神经网络识别含有冠脉血管像素的切片图像,代替了以往的心脏区域分割工作,为冠脉血管的像素级分割提供了感兴趣区域。本文使用的卷积神经网络以VGG结构为基础,在其卷积层后增加了注意力模块(Convolutional Block Attention Module,CBAM),并且在损失函数中加入正则化项来避免网络模型的过拟合。在冠状动脉血管切片识别实验中,切片分类的准确率、灵敏度、特异性分别为87%,86%,87%,优于实验中支持向量机、随机森林、Alex Net、Inception V3、VGG等对比方法的结果。(2)针对大量的心脏CTA图像中只有少部分图像有体素级分割标记的问题,本文提出一种基于多尺度特征分解网络的半监督冠脉血管分割方法,其中多尺度特征分解网络由分解器和重构器组成,分解器从原图提取出表示解剖结构的空间图谱和表示模态信息的高维向量,重构器将两类特征重构回原图,并使用有监督损失函数和无监督损失函数组成总损失函数对网络模型进行训练。为了获取更加丰富的冠脉血管结构信息,本文在网络结构中加入多尺度模块、跳跃连接以及密集连接模块,并通过二维切片中冠脉的分割结果证明了改进模块的有效性。该方法将二维切片分割结果进行组合,最终实现了CTA图像中冠状动脉的三维分割,分割结果的灵敏度、特异性、准确率、阳性预测值、阴性预测值与Dice系数分别为86.86%、99.79%、99.99%、66.12%、99.99%、0.7216,优于实验中Vesselness滤波法、双高斯滤波法、全卷积网络、三维U-Net网络、SDNet等对比方法。实验证明了本文提出的结合卷积神经网络和多尺度特征分解网络的方法在冠状动脉分割上的有效性。