论文部分内容阅读
血管内超声(IVUS)技术扫描半径大,穿透能力强,能够精确地反映冠心病的病变性质、严重程度以及病理组成。IVUS图像中内膜和中-外膜边界对冠状动脉粥样硬化斑块的定量分析具有重要价值。但是,IVUS回撤序列中通常具有上千帧图像,医生对其中具有诊断意义的图像手动勾画内膜和中-外膜边界是相当费时且费力的。因此,IVUS图像中内膜和中-外膜的准确自动分割具有重要应用价值。然而,由于IVUS图像中超声阴影和复杂解剖结构(如血管分叉、钙化和纤维斑块等)的存在,使内膜和中-外膜自动分割和边界自动检测具有相当的挑战性。近年来,深度学习方法特别是卷积神经网络的兴起,为IVUS图像的自动分割提供了一种可行的手段。本文采用全卷积网络实现IVUS图像中内膜和中-外膜的自动分割,并研究各种影响分割性能的因素。本文的主要工作包括:(1)IVUS图像数据集构建。本文共获得了 6516幅IVUS图像,图像数据来自使用不同IVUS成像导管、从不同医院采集的175个IVUS回撤序列。IVUS图像数据集中包含有血管分叉、邻近血管和阴影伪影等各种情形。所有IVUS图像由来自CardHemo实验室的经验丰富的IVUS分析人员进行手工勾画,建立IVUS图像数据库及对应的分割金标准。(2)基于RefineNet的全卷积网络模型。改进的RefineNet模型编码层引入了残差结构,解码层使用RefineNet模型。模型以一定数量的连续帧图像作为输入,使得模型可利用前后帧图像中的时空信息改善分割结果。实验中,4912幅IVUS图像作为训练集,1105幅IVUS图像作为测试集,并使用Dice相似系数(Dice similarity coefficient)、Jaccard 系数(Jaccard Index)、豪斯多夫距离(Hausdorff Distance)三个评价指标对模型分割性能进行评价。对于内膜边界,DSC 为 0.923(±0.059)、JI为 0.908(±0.058)、HD 为 0.339mm(±0.176mm);对于中-外膜边界,DSC 为 0.942(±0.048)、JI 为 0.932(±0.060)、HD 为 0.372mm(±0.234mm)。实验结果表明,提出的模型可以准确分割IVUS内膜和中-外膜,受到阴影伪影、各种斑块、血管分叉和邻近血管等的影响较小。(3)IVUS图像分割性能影响因素研究。本文主要研究以下三个因素的影响:(a)数据集的超声成像频率,(b)训练图像样本数量,(c)卷积网络构架。实验结果表明,混合不同超声成像频率(40MHz和60MHz)的数据集训练的模型,其性能优于单超声频率数据集训练的模型。训练样本数量的提升对于模型的整体分割性能有一定影响,尤其是对于包含血管分支这种类型的IVUS图像的分割结果影响很大。本文提出的模型与其他4个模型:U-net、DeepLabv3+、IVUS-net模型以及文献[51]提出的模型进行实验比较,结果表明本文提出的模型的分割性能与DeepLabv3+相当,且略优于其他三个模型。