基于深度神经网络的冠状动脉造影图像血管分割和节段识别

目的:应用深度学习技术相关神经网络算法,创建冠状动脉造影图像血管分割和血管节段识别的人工智能模型。方法:纳入2018年7月于中国医学科学院阜外医院行冠状动脉造影患者2834例,共12900张冠状动脉造影图像。患者的冠状动脉造影图像由中国医学科学院阜外医院心血管介入诊疗影像分析核心实验室影像分析师标注。搭建一种创新的深度神经网络(DNN),分别进行冠状动脉造影图像血管分割和节段识别任务。在数据集中,11900张标注图像用于网络训练,1000张用于网络测试。以真实精标注图片为“金标准”,评价DNN对冠状动脉造影图像血管分割及节段识别的能力。结果:DNN对冠状动脉造影图像血管自动分割的平均准确度达99.2%(95%CI:99.1%~99.2%),F1分数为0.91±0.03,且对冠状动脉主支血管的分割结果优于一级分支血管。DNN对冠状动脉造影图像血管节段识别的平均准确度为98.6%(95%CI:98.6%~98.7%),F1分数为0.80±0.05,对冠状动脉主支血管段的识别效果优于一级分支血管,对血管近段的识别准确度优于血管远段。随着训练数据量增加,DNN对冠状动脉造影图像血管分割的性能明显提升。结论:该研究显示了DNN用于冠状动脉造影图像血管分割及节段识别的可行性,并获得了较高的准确度,为将来实现客观、高效的冠状动脉造影人工智能病变诊断提供了基础。

基于水平集方法的冠状动脉CT图像分割

目的采用水平集方法实现对CT图像中冠状动脉的高效自动识别与分割,借此简化三维模型重建工作,从而提高使用冠脉CT造影计算的血流储备分数(computed tomography derived fractional flow reserve,FFRct)整体的计算效率。方法选取20名冠心病患者作为研究对象,提取26支狭窄冠脉血管的CT图像。分别利用水平集方法和手动方法对CT图像进行冠脉的识别与分割处理从而生成三维模型。利用计算流体力学(computational fluid dynamics,CFD)仿真方法分别获取各冠脉段的血流储备分数(fractional flow reserve,FFR)数值,并通过Bland-Altman方法分析两种方法所得FFR的一致性,用以验证水平集方法在冠脉识别精度上与手动方法的差异。结果对比了两种冠脉识别方法获取FFR数值整体所需的时间。与手动方法相比,水平集方法的模型重建时间减少了约10倍。经检验,两种冠脉识别方法的FFR数值计算结果一致性良好。结论基于水平集方法可以实现冠脉CT图像的高效自动识别,具有一定的临床应用意义。

形状约束下活动轮廓模型冠脉血管图像多尺度分割

目的由于计算机断层血管造影(CTA)图像的复杂性,临床诊断冠脉疾病往往需要经验丰富的医师对冠状动脉进行手动分割,快速、准确自动分割出冠状动脉对提高冠脉疾病诊断效率具有重要意义。针对双源CT图像特点以及传统单一基于区域或边界的活动轮廓模型的不足,研究了心脏冠脉3维分割算法,提出一种基于血管形状约束的活动轮廓模型分割方法。方法首先,利用改进的FCM(fuzzy C-means)对心脏CT图像感兴趣区域初分割,其结果用于初始化C-V模型水平集演化曲线及控制参数,提取感兴趣区域轮廓。接着,由3维心脏图像数据获取多尺度梯度矢量信息构造边界型能量泛函,然后利用基于Hessian矩阵的多尺度血管函数对心脏感兴趣区域3维体数据增强滤波,获取血管先验形状信息用于约束能量泛函。最后融合边界、区域能量泛函并利用变分原理及水平集方法得到适合冠脉血管分割的水平集演化方程。结果由于血管图像的灰度不均匀,血管末端区域更为细小,所以上述算法的实施是面向被划分多个子区域的血管,在缩小的范围内进行轮廓的演化。相比于传统的血管分割方法,该方法充分融合血管图像的先验信息及梯度场信息,能够从灰度及造影剂分布不均匀的冠脉血管图像中准确分割出冠状动脉,对于细小的血管结构亦能获得较好的分割效果。实验结果表明,该方法只需在给定初始轮廓前提下,有效提取3维冠脉血管。结论对多组心脏CT图像进行分割,本文基于血管先验形状约束的活动轮廓模型可以准确分割出冠脉结构完整轮廓,并且人工交互简单。该方法在双源CT冠脉图像自动分割方面具有较好的正确率与优越性。