基于3D-RA图像的颅内动脉瘤自动检测算法

颅内动脉瘤检出率低、破裂后致死率高,是一种严重威胁人类生命健康的高发性脑血管疾病。针对二维卷积神经网络在动脉瘤诊断中对先验知识利用不足问题,基于3D-RA序列图像成像特点,提出一种基于光流可变形卷积的颅内动脉瘤检测算法。采用稠密光流算法获取序列图像之间的光流信息作为先验知识,结合光流信息改进二维卷积计算过程,提出光流可变形卷积模型,从而建立序列图像间的像素级联系。此外,结合光流可变形卷积和标准卷积组成编码模块,实现图像重要特征提取。以北京天坛医院360例临床3D-AR颅内血管造影数据为样本集,测试结果表明:所提方法正确率为0.9787、精确率为0.9836、召回率为0.9747、F1分数为0.9791、AUC为0.9924、mAP为0.9822;与传统网络U-net、Attention U-net相比,该网络对颅内动脉瘤检测更准确;与原有可变形卷积模型相比,光流可变形卷积模型利用光流作为先验知识,提高了网络性能。