基于深度學習的冠狀動脈CTA三維分割

劉敏 方志軍 高永彬

摘要：手動分割大規模心血管疾病醫學圖像對于醫生是極其耗時繁瑣的任務，所以自動分割冠狀動脈計算機斷層血管造影（computed tomography angiongraphy，CTA）是研究心血管疾病的重要基礎。本文提出了一種基于深度學習的分割方法，冠狀動脈CTA圖像結合對應標簽作為全卷積神經網絡的訓練數據實現了血管精確分割。本文所提出的方法在2種評價指標 Jaccard 系數與 Dice 系數上取得了0.763和0.834評分，能夠對冠脈 CTA 進行準確的三維分割，為醫生提供輔助診斷的作用。

關鍵詞： 深度學習; V-net網絡; 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病（Coronary Atherosclerotic Heart Disease），簡稱冠心病，是一種由于冠狀動脈血管發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實現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。

現有的傳統算法主要通過基于區域和基于模型的方法實現冠脈CTA血管分割。其中，基于區域分割方法包括閾值法和區域生長法。文獻[6]提出允許相似的像素被組裝以生成單獨的區域，能夠從復雜形狀中提取連接區域。文獻[7]針對傳統區域生長法進行血管分割容易丟失末梢的問題，提出了一種定向區域生長算法，可以在生長過程中跨越管道結構中的低灰度區域，同時算法可以應用于任意維的圖像。基于區域的方法實現簡單，但缺點在于不適用于冠狀動脈這種結構復雜、邊界模糊、灰度梯度小的數據集。常用的模型有參數活動輪廓模型和幾何活動輪廓模型[8]，文獻[9]模擬基于血管幾何的分割曲線，實現了更好的性能，但耗時久，不適合在線分割。文獻[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算法、基于先驗形狀活動輪廓模型的血管分割算法。參數活動輪廓模型表達緊湊，利于模型的快速實時實現，但是難以處理模型的拓撲結構的變化。幾何活動輪廓模型能夠自然地處理拓撲結構的變化，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域。

傳統的圖像處理方法無法針對每個病例做出準確分割。卷積神經網絡不需要對數據進行任何處理就可以直接輸入至網絡模型中，根據圖像特征自動學習，具有很強的魯棒性[11]。因此近年來，神經網絡在二維分割許多應用場景中顯示出要勝過傳統醫學圖像處理方法的優勢。文獻[12]提出了 U-net 神經網絡，實現了對生物細胞圖像的自動分割。但醫療數據通常為3D形式，而現有的神經網絡主要是2D形式，針對這個問題，本文提出了一種基于3D卷積的全卷積神經網絡用于冠脈CTA圖像分割，解決了2D網絡忽略了第三維的空間信息的問題。

1 全卷積神經網絡結構

CNN模型由輸入層導入數據，其后為多隱層結構，基本構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絡將CNN網絡結構中的全連接層變為卷積層。全連接層到卷積層的轉變不但減少了運算參數，還使得網絡可以接受任意尺寸的圖像[14]。全卷積神經網絡的設計結構如圖1所示，將傳統FCN中的卷積核替換為三維卷積，網絡輸入三維體數據。同時采用跳躍連接構建編碼器-解碼器結構的全卷積神經網絡，將編碼器部分對應的低層特征與高層語義信息融合，通過反卷積操作進行上采樣，解決了傳統卷積神經網絡頻繁池化導致的圖像分辨率越來越低的問題，構成一個對稱的分割網絡。

同時，利用殘差塊進一步學習細節和紋理特征。網絡的編碼器-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[15]中提出的方法類似，每個階段學習殘差函數，這種結構可以保證網絡模型在短時間內收斂。在每個階段中使用卷積核為5×5×5，步長為1的卷積。用卷積替換傳統池化操作，這樣可以減小網絡訓練時的內存占用，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，這樣同樣能減少內存占用。整個網絡都是使用文獻[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，有效地增加了模型的非線性。網絡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據。網絡訓練分類任務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，同時減少網絡參數計算，加快網絡訓練，模型收斂性更好，所以網絡最后得到表征每個像素是血管的概率值[17]。

4 結束語

在大規模醫學數據背景下，提出一種3D全卷積神經網絡用于三維冠脈血管分割。在自建數據集上進行實驗，通過可視化以及Jaccard系數和Dice相似系數得分來評估冠狀動脈分割的效果。結果表明本文算法能夠準確地分割冠脈CTA血管，后續會對優化邊緣輪廓以及去除其他組織對于分割的影響進行研究。

參考文獻

[1] 馬麗媛， 吳亞哲， 王文， 等. 《中國心血管病報告2017》要點解讀[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用[J]. 中國基層醫藥， 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后狹窄診斷中的應用價值[J]. 中華臨床醫師雜志， 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. 定向區域生長算法及其在血管分割中的應用[J]. 中國圖象圖形學報， 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： 中國科學院大學， 2013.

[11]胡德敏， 程普芳. 一種改進的LeNet網絡[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. 基于卷積神經網絡的少數民族頭飾識別[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， 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. 基于全卷積神經網絡的多尺度視網膜血管分割[J]. 光學學報， 2019， 39（2）： 0211002.