[发明专利]一种基于卷积神经网络的CT图像中带夹层主动脉分割方法

说明书

本发明公开了一种基于卷积神经网络的CT图像中带夹层主动脉分割方法。本发明提出了结合三维卷积神经网络和二维卷积神经网络的CT带夹层主动脉分割算法，使用三维卷积神经网络将三维体数据分成两部分，再使用两个二维卷积神经网络分别对这两部分进行分割，得到最终的分割结果。本发明可以有效的从包含带夹层主动脉的CT图像中分割出带夹层的主动脉，克服了传统的单纯使用三维全卷积神经网络由于输入图像分辨率与GPU显存容量之间的矛盾导致分割精度上的不足，以及单纯使用二维卷积神经网络由于丢失三维信息导致的分割效果不稳定的缺陷，具有良好的分割效果。

技术领域

本发明涉及一种CT图像中带夹层主动脉分割方法，尤其涉及一种基于卷积神经网络的CT图像中带夹层主动脉分割方法，属于计算机视觉、图像分割技术领域。

背景技术

主动脉夹层(Aorta Dissection，AD)是指由主动脉内膜层的破损导致血液在主动脉内膜与主动脉壁之间流动从而迫使两者分离的病理现象。其成因往往与高血压或是由受伤、心脏手术或是一些病症引起的血管壁强度降低相关。主动脉夹层虽然发病率低，但其死亡率极高，同时，发病到死亡之间的时间间隔极短。如果不进行治疗，半数急性A型主动脉夹层患者将会在三日内死亡，而超过10％的B型主动脉夹层患者会在30天内死亡。对于主动脉夹层的诊断主要基于CT灌注成像(Computed Tomography Angiography，CTA)。而带夹层主动脉的形态特征，如主入口(primary entry)的大小和位置、真假腔的直径以及主动脉的曲率，都对诊断、定制治疗计划和风险评估有着重要的意义。目前，如何计算这些形态特征仍是一个极具挑战性的问题，而对CT图像中带夹层主动脉的分割正是解决这一问题的第一步。

现有的血管分割算法主要可以分为四大类，即基于血管增强滤波的算法、基于中心线跟踪的算法、基于血管几何模型的算法以及基于机器学习的算法。

基于血管增强滤波的算法主要使用一些建立在海森矩阵特征值之上的滤波器，例如Frangi滤波器，来增强血管区域，之后再使用一些基本的图像分割算法如阈值分割或区域生长等来得到目标血管。这类方法大多可以做到全自动，但由于缺少与血管拓扑结构相关的信息，分割结果往往存在大量的误分，同时，软斑块、钙化等血管病变会严重影响分割结果。

基于中心线跟踪的算法的主要特点在于在分割血管之前首先提取血管中心线，再由中心线向外扩展得到血管区域。这类算法可以较好的表达血管的拓扑结构，但通常需要人工标记至少中心线点，无法做到全自动。

基于血管几何模型的方法使用三维圆柱等几何模型来对血管建模，再通过优化几何模型的参数来精确的得到血管分割结果。这类算法的计算大多比较复杂，分割比较费时，此外，这类算法往往对初始模型比较敏感，通常需要通过人工标记初始模型来得到比较好的结果。

基于机器学习的方法通过训练统计学习模型，如支持向量机、神经网络等，来达到分割血管的目的。这类方法往往具有分割速度快、准确率高等优点，其缺点在于统计模型的训练需要大量训练数据，而人工标记训练集中的血管区域需要耗费大量的人力。