基于深度學(xué)習(xí)的冠狀動脈CTA三維分割

劉敏 方志軍 高永彬

摘要：手動分割大規(guī)模心血管疾病醫(yī)學(xué)圖像對于醫(yī)生是極其耗時繁瑣的任務(wù)，所以自動分割冠狀動脈計算機(jī)斷層血管造影（computed tomography angiongraphy，CTA）是研究心血管疾病的重要基礎(chǔ)。本文提出了一種基于深度學(xué)習(xí)的分割方法，冠狀動脈CTA圖像結(jié)合對應(yīng)標(biāo)簽作為全卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)實現(xiàn)了血管精確分割。本文所提出的方法在2種評價指標(biāo) Jaccard 系數(shù)與 Dice 系數(shù)上取得了0.763和0.834評分，能夠?qū)诿} CTA 進(jìn)行準(zhǔn)確的三維分割，為醫(yī)生提供輔助診斷的作用。

關(guān)鍵詞： 深度學(xué)習(xí); V-net網(wǎng)絡(luò); 冠狀動脈三維分割; 輔助診斷

【Abstract】 Manual segmentation of medical images of large-scale cardiovascular disease is extremely time-consuming and cumbersome for doctors. Therefore， computed tomography angiography （CTA） is an important basis for studying cardiovascular diseases. In this paper， a segmentation method based on deep learning is proposed. Coronary CTA images combined with corresponding tags as training data of V-net network realize accurate segmentation of blood vessels. In the two evaluation indicators， the method proposed in this paper has repectively achieved 0.763 on the Jaccard coefficient and 0.834 on Dice coefficient， which can accurately segment the coronary CTA and provide a auxiliary diagnosis for the doctor.

【Key words】 ?deep learning; V-net network; three-dimensional segmentation of coronary arteries; auxiliary diagnosis

0 引 言

冠狀動脈粥樣硬化心臟?。–oronary Atherosclerotic Heart Disease），簡稱冠心病，是一種由于冠狀動脈血管發(fā)生動脈粥樣硬化病變而引起的血管腔狹窄或堵塞，從而造成心肌缺血、缺氧或壞死而導(dǎo)致的心臟病[1]。而冠狀動脈CT血管造影是冠心病早期篩查的重要臨床手段[2]，準(zhǔn)確的冠脈血管情況的可視化和分析，如狹窄和局部供血減少需要多種后處理方法相結(jié)合[3-4]，然而不論是哪種方式，研究的前提都是要通過圖像處理技術(shù)實現(xiàn)冠脈血管的分割提取[5]。因此如何正確高效地分割冠狀動脈血管成為一種臨床需求。

現(xiàn)有的傳統(tǒng)算法主要通過基于區(qū)域和基于模型的方法實現(xiàn)冠脈CTA血管分割。其中，基于區(qū)域分割方法包括閾值法和區(qū)域生長法。文獻(xiàn)[6]提出允許相似的像素被組裝以生成單獨(dú)的區(qū)域，能夠從復(fù)雜形狀中提取連接區(qū)域。文獻(xiàn)[7]針對傳統(tǒng)區(qū)域生長法進(jìn)行血管分割容易丟失末梢的問題，提出了一種定向區(qū)域生長算法，可以在生長過程中跨越管道結(jié)構(gòu)中的低灰度區(qū)域，同時算法可以應(yīng)用于任意維的圖像?；趨^(qū)域的方法實現(xiàn)簡單，但缺點(diǎn)在于不適用于冠狀動脈這種結(jié)構(gòu)復(fù)雜、邊界模糊、灰度梯度小的數(shù)據(jù)集。常用的模型有參數(shù)活動輪廓模型和幾何活動輪廓模型[8]，文獻(xiàn)[9]模擬基于血管幾何的分割曲線，實現(xiàn)了更好的性能，但耗時久，不適合在線分割。文獻(xiàn)[10]研究基于水平集框架的血管分割算法，圍繞血管的先驗形狀信息深入剖析了基于正交張量不變量的多尺度血管增強(qiáng)算法、基于先驗形狀活動輪廓模型的血管分割算法。參數(shù)活動輪廓模型表達(dá)緊湊，利于模型的快速實時實現(xiàn)，但是難以處理模型的拓?fù)浣Y(jié)構(gòu)的變化。幾何活動輪廓模型能夠自然地處理拓?fù)浣Y(jié)構(gòu)的變化，但是效率不高，對噪聲比較敏感并且在冠脈分割上，對初始輪廓的位置要求較高而且容易延伸到灰度相近的心臟區(qū)域。

傳統(tǒng)的圖像處理方法無法針對每個病例做出準(zhǔn)確分割。卷積神經(jīng)網(wǎng)絡(luò)不需要對數(shù)據(jù)進(jìn)行任何處理就可以直接輸入至網(wǎng)絡(luò)模型中，根據(jù)圖像特征自動學(xué)習(xí)，具有很強(qiáng)的魯棒性[11]。因此近年來，神經(jīng)網(wǎng)絡(luò)在二維分割許多應(yīng)用場景中顯示出要勝過傳統(tǒng)醫(yī)學(xué)圖像處理方法的優(yōu)勢。文獻(xiàn)[12]提出了 U-net 神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了對生物細(xì)胞圖像的自動分割。但醫(yī)療數(shù)據(jù)通常為3D形式，而現(xiàn)有的神經(jīng)網(wǎng)絡(luò)主要是2D形式，針對這個問題，本文提出了一種基于3D卷積的全卷積神經(jīng)網(wǎng)絡(luò)用于冠脈CTA圖像分割，解決了2D網(wǎng)絡(luò)忽略了第三維的空間信息的問題。

1 全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

CNN模型由輸入層導(dǎo)入數(shù)據(jù)，其后為多隱層結(jié)構(gòu)，基本構(gòu)成中包括多層卷積層、下采樣層和全連接層，最后接分類器作為輸出層[13]。本文提出的全卷積網(wǎng)絡(luò)將CNN網(wǎng)絡(luò)結(jié)構(gòu)中的全連接層變?yōu)榫矸e層。全連接層到卷積層的轉(zhuǎn)變不但減少了運(yùn)算參數(shù)，還使得網(wǎng)絡(luò)可以接受任意尺寸的圖像[14]。全卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計結(jié)構(gòu)如圖1所示，將傳統(tǒng)FCN中的卷積核替換為三維卷積，網(wǎng)絡(luò)輸入三維體數(shù)據(jù)。同時采用跳躍連接構(gòu)建編碼器-解碼器結(jié)構(gòu)的全卷積神經(jīng)網(wǎng)絡(luò)，將編碼器部分對應(yīng)的低層特征與高層語義信息融合，通過反卷積操作進(jìn)行上采樣，解決了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)頻繁池化導(dǎo)致的圖像分辨率越來越低的問題，構(gòu)成一個對稱的分割網(wǎng)絡(luò)。

同時，利用殘差塊進(jìn)一步學(xué)習(xí)細(xì)節(jié)和紋理特征。網(wǎng)絡(luò)的編碼器-解碼器分為不同的階段，每個階段包括1～3個卷積層，與文獻(xiàn)[15]中提出的方法類似，每個階段學(xué)習(xí)殘差函數(shù)，這種結(jié)構(gòu)可以保證網(wǎng)絡(luò)模型在短時間內(nèi)收斂。在每個階段中使用卷積核為5×5×5，步長為1的卷積。用卷積替換傳統(tǒng)池化操作，這樣可以減小網(wǎng)絡(luò)訓(xùn)練時的內(nèi)存占用，每個階段的末尾使用卷積核為2×2×2，步長為2的卷積，特征大小縮小一半，這樣同樣能減少內(nèi)存占用。整個網(wǎng)絡(luò)都是使用文獻(xiàn)[16]中的PReLU非線性單元，除最后一層卷積外均使用sigmoid激活函數(shù)，有效地增加了模型的非線性。網(wǎng)絡(luò)最后一層使用大小為1×1×1 的卷積，處理成與輸入一樣大小的數(shù)據(jù)。網(wǎng)絡(luò)訓(xùn)練分類任務(wù)是為了找到分離開各類樣本之間的超平面，但是對于血管分割， 研究時更希望找到傾向于使血管特征分布更集中的投影面，這樣處理會讓所有血管的分布更加集中，同時減少網(wǎng)絡(luò)參數(shù)計算，加快網(wǎng)絡(luò)訓(xùn)練，模型收斂性更好，所以網(wǎng)絡(luò)最后得到表征每個像素是血管的概率值[17]。

4 結(jié)束語

在大規(guī)模醫(yī)學(xué)數(shù)據(jù)背景下，提出一種3D全卷積神經(jīng)網(wǎng)絡(luò)用于三維冠脈血管分割。在自建數(shù)據(jù)集上進(jìn)行實驗，通過可視化以及Jaccard系數(shù)和Dice相似系數(shù)得分來評估冠狀動脈分割的效果。結(jié)果表明本文算法能夠準(zhǔn)確地分割冠脈CTA血管，后續(xù)會對優(yōu)化邊緣輪廓以及去除其他組織對于分割的影響進(jìn)行研究。

參考文獻(xiàn)

[1] 馬麗媛， 吳亞哲， 王文， 等. 《中國心血管病報告2017》要點(diǎn)解讀[J]. 中國心血管雜志， 2018， 23（1）： 3.

[2]WILLIAMS M C， HUNTER A， SHAH A S V， et al. Use ofcoronary computed tomographic angiography to guide ? management of patients with coronary disease[J]. Journal of the American College of Cardiology， 2016， 67（15）： ?1759.

[3]華奇峰， 李瑩. CT在冠心病診斷中的應(yīng)用[J]. 中國基層醫(yī)藥， 2011，18（1）：118.

[4]李博， 朱平先， 吳清華. 64排128層螺旋 CT 在冠狀動脈與支架術(shù)后狹窄診斷中的應(yīng)用價值[J]. 中華臨床醫(yī)師雜志， 2012， 6（20）：167.

[5] KANG Wenwei， WANG Ke， ZHANG Libao. Segmentation method of coronary arteries based on fusion algorithm[J]. Computer Engineering and Applications， 2010，46（12）： 139.

[6]ADAMS R， BISCHOF L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2002， 16（6）：641.

[7]程明， 黃曉陽， 黃紹輝，等. 定向區(qū)域生長算法及其在血管分割中的應(yīng)用[J]. 中國圖象圖形學(xué)報， 2011， 16（1）：44.

[8] HOLDEN M. Areview of geometric transformations for ?nonrigid body registration[J]. IEEE Transactions on Medical Imaging， 2007， 27（1）：111.

[9] ZHU Xiangjun， XUE Zhong， GAO Xin， et al. Voles： Vascularity-oriented ?level set algorithm for pulmonary vessel segmentation ?in image guided intervention therapy[C]//Proceedings of the 2009 IEEE International Symposium on Biomedical Imaging： From Nano to Macro. Boston， MA， USA：IEEE， 2009：1247.

[10]薛維琴. 基于管狀約束活動輪廓模型的血管分割方法 研究[D]. 長春： 中國科學(xué)院大學(xué)， 2013.

[11]胡德敏， 程普芳. 一種改進(jìn)的LeNet網(wǎng)絡(luò)[J]. 電子科技， 2019， 32（3）：53.

[12]RONNEBERGER O. U-Net： Convolutional networks for biomedical image segmentation[M]//MAIER-HEIN G ， FRITZSCHE K， DESERNO G， et al Bildverarbeitung für die Medizin 2017. Informatik aktuell.Berlin/Heidelberg： Springer， 2017：3.

[13]李榮瑞， 施霖， 趙薇. 基于卷積神經(jīng)網(wǎng)絡(luò)的少數(shù)民族頭飾識別[J]. 電子科技， 2019， 32（2）：51.

[14]盧倩. 冠脈CTA圖像中的血管分割算法研究[D]. 保定： 河北大學(xué)， 2019.

[15]NOH H， HONG S， HAN B. Learning deconvolution network for semantic segmentation[C]// 2015 IEEE International Conference on Computer Vision（ICCV）. Santiago： IEEE International Conference on Computer Vision， 2015：1520.

[16]HE K， ZHANG X， REN S， et al. Delving deep into rectifiers： Surpassing human-level performance on ImageNet classification[C]//Proceedings of the IEEE International Conference on Computer Vision. Santiago： IEEE， 2015：1026.

[17]鄭婷月， 唐晨， 雷振坤. 基于全卷積神經(jīng)網(wǎng)絡(luò)的多尺度視網(wǎng)膜血管分割[J]. 光學(xué)學(xué)報， 2019， 39（2）： 0211002.