基于深度学习的冠状动脉CTA三维分割

刘敏 方志军 高永彬

摘要：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。

关键词： 深度学习; V-net网络; 冠状动脉三维分割; 辅助诊断

【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

冠状动脉粥样硬化心脏病（Coronary Atherosclerotic Heart Disease），简称冠心病，是一种由于冠状动脉血管发生动脉粥样硬化病变而引起的血管腔狭窄或堵塞，从而造成心肌缺血、缺氧或坏死而导致的心脏病[1]。而冠状动脉CT血管造影是冠心病早期筛查的重要临床手段[2]，准确的冠脉血管情况的可视化和分析，如狭窄和局部供血减少需要多种后处理方法相结合[3-4]，然而不论是哪种方式，研究的前提都是要通过图像处理技术实现冠脉血管的分割提取[5]。因此如何正确高效地分割冠状动脉血管成为一种临床需求。

现有的传统算法主要通过基于区域和基于模型的方法实现冠脉CTA血管分割。其中，基于区域分割方法包括阈值法和区域生长法。文献[6]提出允许相似的像素被组装以生成单独的区域，能够从复杂形状中提取连接区域。文献[7]针对传统区域生长法进行血管分割容易丢失末梢的问题，提出了一种定向区域生长算法，可以在生长过程中跨越管道结构中的低灰度区域，同时算法可以应用于任意维的图像。基于区域的方法實现简单，但缺点在于不适用于冠状动脉这种结构复杂、边界模糊、灰度梯度小的数据集。常用的模型有参数活动轮廓模型和几何活动轮廓模型[8]，文献[9]模拟基于血管几何的分割曲线，实现了更好的性能，但耗时久，不适合在线分割。文献[10]研究基于水平集框架的血管分割算法，围绕血管的先验形状信息深入剖析了基于正交张量不变量的多尺度血管增强算法、基于先验形状活动轮廓模型的血管分割算法。参数活动轮廓模型表达紧凑，利于模型的快速实时实现，但是难以处理模型的拓扑结构的变化。几何活动轮廓模型能够自然地处理拓扑结构的变化，但是效率不高，对噪声比较敏感并且在冠脉分割上，对初始轮廓的位置要求较高而且容易延伸到灰度相近的心脏区域。

传统的图像处理方法无法针对每个病例做出准确分割。卷积神经网络不需要对数据进行任何处理就可以直接输入至网络模型中，根据图像特征自动学习，具有很强的鲁棒性[11]。因此近年来，神经网络在二维分割许多应用场景中显示出要胜过传统医学图像处理方法的优势。文献[12]提出了 U-net 神经网络，实现了对生物细胞图像的自动分割。但医疗数据通常为3D形式，而现有的神经网络主要是2D形式，针对这个问题，本文提出了一种基于3D卷积的全卷积神经网络用于冠脉CTA图像分割，解决了2D网络忽略了第三维的空间信息的问题。

1 全卷积神经网络结构

CNN模型由输入层导入数据，其后为多隐层结构，基本构成中包括多层卷积层、下采样层和全连接层，最后接分类器作为输出层[13]。本文提出的全卷积网络将CNN网络结构中的全连接层变为卷积层。全连接层到卷积层的转变不但减少了运算参数，还使得网络可以接受任意尺寸的图像[14]。全卷积神经网络的设计结构如图1所示，将传统FCN中的卷积核替换为三维卷积，网络输入三维体数据。同时采用跳跃连接构建编码器-解码器结构的全卷积神经网络，将编码器部分对应的低层特征与高层语义信息融合，通过反卷积操作进行上采样，解决了传统卷积神经网络频繁池化导致的图像分辨率越来越低的问题，构成一个对称的分割网络。

同时，利用残差块进一步学习细节和纹理特征。网络的编码器-解码器分为不同的阶段，每个阶段包括1～3个卷积层，与文献[15]中提出的方法类似，每个阶段学习残差函数，这种结构可以保证网络模型在短时间内收敛。在每个阶段中使用卷积核为5×5×5，步长为1的卷积。用卷积替换传统池化操作，这样可以减小网络训练时的内存占用，每个阶段的末尾使用卷积核为2×2×2，步长为2的卷积，特征大小缩小一半，这样同样能减少内存占用。整个网络都是使用文献[16]中的PReLU非线性单元，除最后一层卷积外均使用sigmoid激活函数，有效地增加了模型的非线性。网络最后一层使用大小为1×1×1 的卷积，处理成与输入一样大小的数据。网络训练分类任务是为了找到分离开各类样本之间的超平面，但是对于血管分割， 研究时更希望找到倾向于使血管特征分布更集中的投影面，这样处理会让所有血管的分布更加集中，同时减少网络参数计算，加快网络训练，模型收敛性更好，所以网络最后得到表征每个像素是血管的概率值[17]。

4 结束语

在大规模医学数据背景下，提出一种3D全卷积神经网络用于三维冠脉血管分割。在自建数据集上进行实验，通过可视化以及Jaccard系数和Dice相似系数得分来评估冠状动脉分割的效果。结果表明本文算法能够准确地分割冠脉CTA血管，后续会对优化边缘轮廓以及去除其他组织对于分割的影响进行研究。

参考文献

[1] 马丽媛， 吴亚哲， 王文， 等. 《中国心血管病报告2017》要点解读[J]. 中国心血管杂志， 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]华奇峰， 李莹. CT在冠心病诊断中的应用[J]. 中国基层医药， 2011，18（1）：118.

[4]李博， 朱平先， 吴清华. 64排128层螺旋 CT 在冠状动脉与支架术后狭窄诊断中的应用价值[J]. 中华临床医师杂志， 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， 黄晓阳， 黄绍辉，等. 定向区域生长算法及其在血管分割中的應用[J]. 中国图象图形学报， 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]薛维琴. 基于管状约束活动轮廓模型的血管分割方法 研究[D]. 长春： 中国科学院大学， 2013.

[11]胡德敏， 程普芳. 一种改进的LeNet网络[J]. 电子科技， 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]李荣瑞， 施霖， 赵薇. 基于卷积神经网络的少数民族头饰识别[J]. 电子科技， 2019， 32（2）：51.

[14]卢倩. 冠脉CTA图像中的血管分割算法研究[D]. 保定： 河北大学， 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]郑婷月， 唐晨， 雷振坤. 基于全卷积神经网络的多尺度视网膜血管分割[J]. 光学学报， 2019， 39（2）： 0211002.