一种基于Mask RCNN的融合几何特征的冠状动脉分割方法

冠状动脉分割是冠心病计算机辅助诊断系统中的一个重要步骤,其目的是保证在后续步骤中只对冠状动脉区域进行处理。冠状动脉CT血管造影(coronary computed tomography angiograph,CCTA)图像具有边界不清、结构复杂、特征不明显等内在特征,这些特点导致CCTA图像分割成为一项困难的任务。针对此问题,提出一种将几何特征融合到Mask RCNN网络中的冠状动脉分割方法,通过边界提取算法和分形特征提取算法提取边界和分形特征。使用冠脉数据集来评估所提出的方法。在评估指标中,所提方法的平均精度(PA)和Dice系数达到83%和(84.0±10.1)%.结果表明,所提方法具有较高的精度和鲁棒性。

基于半监督多尺度特征分解网络的CTA图像冠状动脉分割

CT血管造影图像(CT angiography,CTA)已成为心血管疾病筛查、诊断和治疗的重要依据,从图像中分割提取出冠状动脉对于形象展示冠脉解剖结构、分析评估血流情况和疾病精准诊断有重要意义。针对CTA图像特点,该文提出了一种只需少量标记数据的半监督深度学习方法进行冠脉分割。由于不同层面图像中冠脉血管直径大小不一,该文构建了包含编解码模块的多尺度网络来有效分割不同尺寸冠脉,其中,编码模块中加入跳跃连接以获取更丰富的特征信息,而解码阶段加入密集连接模块来避免网络过深产生的梯度消失。在测试时,首先,使用卷积神经网络识别包含冠脉的切片,然后,在筛选出的包含冠脉切片中使用前述训练网络进行冠脉分割,以进一步减少由于半监督学习中标记过少而产生的过拟合现象。实验使用了28个心脏病病人的CTA数据,冠脉三维结构分割结果的灵敏度、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%,0.721 6,优于其他对比方法,证明该文提出的多尺度特征分解网络能够有效完成冠状动脉分割任务。

一种融合二维和三维卷积网络的两阶段冠状动脉分割方法

心血管疾病是一种严重危害公众健康的重大疾病。与其他心血管疾病相比,冠心病是导致死亡的最主要原因,精确的冠状动脉分割对冠心病的治疗有重要意义。目前,深度学习已经广泛应用于医学影像领域,然而,像冠状动脉这样的小物体的分割仍然是一大挑战。针对冠状动脉精确分割的需求,该研究提出了一种融合二维和三维卷积网络的方案,利用骨架作为桥梁,结合二维和三维卷积网络,扩大了卷积网络的信息接受域。与其他深度学习方法相比,该方法在敏感度、Dice系数、ROC曲线下方的面积、豪斯多夫距离上均有一定程度的提升,且可以检测其他方法无法识别的冠状动脉,一定程度上解决了血管断连和血管缺失等问题。

基于CTA图像的两阶段U-Net冠状动脉分割

基于CT血管造影(computed tomography angiography,CTA)图像的冠状动脉自动分割的挑战在于冠状动脉结构复杂、前背景分布严重不平衡,分割时易受冠状静脉和其他组织的干扰.提出了一种两阶段的冠状动脉分割算法,第一阶段采用具有密集特征提取和残差特征修正能力的3D DRU-Net进行分割,保证分割的召回率;在第二阶段提出2D双编码多特征融合U-Net(2D DEMFU-Net)进行细分割,先对原始图像和第一阶段分割结果分别进行特征提取,再采用密集跳跃连接融合两个分支上的多层次语义特征,进一步提高分割准确性.实验结果表明,提出的两阶段分割算法在CortArt2020数据集上的Dice相似系数、召回率和精确度分别优于3D U-Net网络3.83%,5.31%和2.23%.

基于LVE和ARG算法的冠状动脉分割

为克服传统区域生长方法中容易发生的欠分割和过分割现象,引入局部图像分析技术,设定一系列感兴趣区域(ROI),对冠状动脉的多层螺旋CT(MSCT)图像进行分割。首先应用基于Hessian矩阵的局部血管增强(LVE)滤波,提升图像的对比度;随后采用自适应性区域生长(ARG)算法,并对阈值适时调整。分割后的局部图像经过全局融合得到整体冠脉树。算法综合了图像的局部形状信息和灰度信息,确保了分割结果的准确性和完整性。实验结果表明,算法对左前降支(LAD)、左回旋支(LCX)、对角支(Diag)及右冠状动脉(RCA)均有较好的分割效果。

一种基于CTA图像的冠状动脉自动分割算法

基于计算机断层血管造影(Computed Tomography Angiography,CTA)的冠状动脉自动分割是后续冠脉狭窄和斑块等病灶识别的重要前置步骤。算法首先结合窗宽窗位调整和基于灰狼优化算法的多级阈值处理,实现了对肺部血管的抑制,提升了冠状动脉和背景组织的对比度。然后基于升主动脉和冠脉的三维解剖结构特征,采用光流法识别升主动脉根部的冠状动脉起始层,为后续冠状动脉分割提供起始种子点。最后利用结合端点检测的自适应区域生长法提取完整的冠状动脉。在20例CTA数据上的实验结果表明,相比于不带端点检测的区域生长算法,本文算法的Dice和Jaccard系数分别提高了4%和8%,达到了0.70和0.57,MSD和MAXSD分别降低了2%和4%,达到了0.40和2.66。所提算法实现了冠状动脉树的自动提取,减少了人工干预,克服了传统区域生长法易产生的过分割现象以及对细小血管的漏分割现象,提高了冠状动脉分割的准确性。

一种面向CTA图像的冠状动脉自动分割算法

为了实现冠状动脉自动分割并提高分割精度,本文结合卷积神经网络和改进的区域生长算法,提出了一种自动分割算法.该算法主要包括三个部分:种子点的定位,血管相似性特征的提取和基于相似性特征的区域生长.首先利用卷积神经网络分割升主动脉,为后续的生长提供种子点;然后计算血管相似性特征,为后续的区域生长提供约束特征;最后,结合血管相似性特征和数据的密度信息进行区域生长.本文的分割结果比传统的区域生长方法的分割效果更好,与手动标注的平均体素误差为1.983 2 HU/体素.

基于深度学习的冠状动脉CTA三维分割

手动分割大规模心血管疾病医学图像对于医生是极其耗时繁琐的任务,所以自动分割冠状动脉计算机断层血管造影(computed tomography angiongraphy,CTA)是研究心血管疾病的重要基础。本文提出了一种基于深度学习的分割方法,冠状动脉CTA图像结合对应标签作为全卷积神经网络的训练数据实现了血管精确分割。本文所提出的方法在2种评价指标Jaccard系数与Dice系数上取得了0.763和0.834评分,能够对冠脉CTA进行准确的三维分割,为医生提供辅助诊断的作用。

基于模糊聚类和C-V模型的水平集方法图像分割

提出一种基于水平集方法的MSCT冠状动脉分割模型。首先在CT数据中进行模糊聚类的预处理,提取聚类信息和隶属度矩阵;然后应用聚类信息指导水平集方法初始轮廓的选取,用C-V模型进行冠状动脉的提取,完成图像分割。实验结果表明,上述方法具有较高的分割精度,分割重叠率相比传统方法提高了11.82%,可用于临床辅助诊断冠状动脉性心脏病。

基于最佳方向性梯度通量血管增强的冠脉分割

针对多层螺旋CT(MSCT)冠状动脉分割时受周围静脉血管等组织的影响而容易发生泄漏的问题,提出了一种基于最佳方向性梯度通量(OOF)血管增强的分割方法.首先,得到原始图像的梯度向量场,选择合适的半径,计算球面特定方向上投影梯度的通量,寻找使得流向球体内部的投影通量最小的最佳方向.求解最佳方向上梯度通量矩阵的特征值,利用特征值构造血管相似度响应函数,对冠状动脉进行增强,之后采用自适应阈值的区域生长方法将冠脉血管分割出来.实验结果表明,该算法受冠脉周围组织的影响较小,避免了泄漏的发生,而且能提取到较多的细小分支.

基于多源融合FCN的冠脉图像分割方法研究

为了对冠状动脉图像的精确分割,提出了一种基于多源融合FCN的冠脉图像分割方法研究.首先对原始CTA图像进行双边滤波和LOG算子处理,并将处理后的图像与原始图像共同构成多源图像作为输入,将传统全卷积网络拓展成具有多源融合特色的分割模型.通过一系列的实验表明了全卷积神经网络在冠状动脉图像分割上的有效性.

基于多尺度增强的冠脉提取与狭窄程度评估

本文结合对冠心病病变血管诊断的实际需求,深入研究心血管造影图像增强与分割算法,采用改进的多尺度血管增强滤波等技术对造影图像进行去噪增强,实现冠状动脉分割、骨架的提取、血管直径测量以及狭窄程度辅助评估,最终开发一套高效的智能影像辅助诊断系统,快速准确地对冠状动脉进行分割和测量,实验结果表明,本文方法的分割结果精确率为91.88%,召回率为84.40%,F1分数为87.49%,能满足基本的临床分割需求,辅助医生评估冠脉病变的严重程度。