论文部分内容阅读
心血管疾病(Cardiovascular diseases,CVDs)是当前世界人类致死的主要原因,约占31%,其包括心脏疾病、脑血管疾病和周边血管疾病。冠状动脉粥样硬化性心脏病,常常被称为冠心病(Coronary heart diseases,CHDs),是指因冠状动脉血管发生动脉粥样硬化病变而引起血管腔狭窄或阻塞,造成心肌缺血、缺氧或坏死而导致的心脏病。它是多种冠状动脉疾病的综合结果,其中最常见的因素为冠状动脉粥样硬化,占95%～99%,被喻为“第一杀手”。目前临床上用于诊疗冠心病最主要的两种影像技术,分别是X射线冠状动脉造影术(Coronary angiography,CAG),和心血管内超声成像术(Intravascular ultrasound,IVUS)。在IVUS图像的临床分析与医学研究中,冠状动脉中-外膜和内膜组织轮廓勾勒,以及相关关键参数测量,既是冠状动脉粥样硬化定量评估和易损斑块定量分析的重要步骤,也是冠状动脉疾病临床诊断和介入治疗的必要前提。IVUS图像中-外膜和内膜边界检测,通常依赖临床医生或资深研究者的肉眼识别和手动勾画。在临床诊疗中,临床医生往往需要分析几帧至几百帧不等的IVUS图像,人工识别、勾画内膜和中-外膜边界的工作量非常大,加上分割结果易受医生主观因素和环境客观因素影响,导致分析结果表现为观察者之间或之内的误差非常大,难以形成统一标准。因此,基于机器学习、计算机视觉等新兴智能技术实现的计算机辅助IVUS图像自动分析,对加深研究者认识心血管病变、提高临床医生工作效率和冠心病临床诊疗水平具有重要意义。本文的研究目标是提出两种基于深度卷积网络实现冠状动脉IVUS图像的内膜和中-外膜边界自动检测方法,帮助临床医生诊断和治疗冠状动脉粥样硬化性心脏病CHDs。针对目前内膜或中-外膜边界自动检测算法存在的问题,本文首先模拟临床医生识别内膜或中-外膜边界的过程,提出结合心血管先验形状信息,和深度全卷积网络(Deep fully convolutional networks,DFCNs)的 IVUS 图像内膜和中-外膜边界自动检测算法。除此之外,针对深度学习算法需要大量已标注数据的缺点,本文接着进一步提出结合堆叠漏斗网络(Stacked hourglass networks,SHGNs),和生成对抗学习(Generative adversarial learning)的IVUS图像关键组织边界自动检测算法。上述两种边界自动检测算法包含以下四个关键部分:1、基于深度全卷积网络DFCNs的IVUS图像区域分割。本文第三章提出深度全卷积网络DFCN-1和DFCN-2,用于IVUS图像区域分割。其中,DFCN-1以内腔区域和非内腔区域临床医生手动分割图像和原始IVUS图像作为训练样本集,用于检测内膜(Lumen border);DFCN-2以血管区域和非血管区域人工标注信息和输入IVUS图像作为学习样本集,用于检测中-外膜(Media-adventitia border)。2、结合心血管先验形状信息的边界优化。针对上述区域分割阶段不可避免地存在的误差问题,比如内腔/血管高地(Highland)、内腔/血管低洼(Depression),和其它像素级或小区域级误分类结果,本文第三章结合心血管先验形状信息——椭圆形,构建具有自适应半径大小圆盘结构体的形态学闭操作移除低洼影响、开操作克服高地影响。余下误分类结果通过其它简单的医学图像处理方法进行改善。3、基于堆叠漏斗网络SHGNs的IVUS图像多区域分割。通过堆叠两个编码器-解码器结构漏斗网络,并在中间输出结果上引入原始输入IVUS图像,作为下一级网络的输入,联合学习上述区域分割和边界优化两个步骤,进行IVUS图像多区域分割。其中,在进行中-外膜轮廓分割时,重建损失函数选择L1距离;而在内膜边界检测时,选择L2距离。除此之外,与采用编码器-解码器结构全卷积网络和U-Net作为生成对抗网络中生成器的Pix2Pix模型相比,本文提出的堆叠漏斗网络SHGNs具有模型参数少,边界检测精度高等特点。4、基于生成对抗网络(Generative adversarial networks,GANs)的对抗学习。在重建损失上,加入对抗损失(adversarial loss),上述堆叠漏斗网络不但能生成更加接近临床医生手工勾画结果的IVUS图像分割图,而且能受正则项约束,在一定程度上缓解深度卷积网络需要大规模已标注医学超声图像的问题。本文的主要临床实验数据来源于国际标准IVUS图像公开数据库SetB的435幅20MHzIVUS图像。在跨数据集验证和临床实际应用分析中,利用广州军区广州总医院心血管内科所收集的100幅IVUS图像进行检验。从线性回归与Bland-Altman 分析及 JM、PAD、豪斯多夫距离(Hausdorff distance,HD)和平均距离(Average distance,AD)评价指标上,评估基于深度全卷积网络的IVUS图像目标边界自动检测算法。实验结果表明,算法检测结果与人工勾画结果的相关性可达到0.94,其超过94.51%结果落在95%置信区域内,具有良好一致性,两者内膜和中-外膜边界的AD误差分别为:0.07mm和0.08mm,而HD误差分别为:0.21mm和0.30mm。内膜JM和PAD指标分别为92%和5%。中-外膜JM和PAD分别为93%和4%。与国际上的现有算法比较,该方法提高了各类斑块、声影区域和血管分支的识别能力,不受超声斑点噪声的影响,能准确地、可重复地检测出IVUS图像中的关键目标边界。进一步评估基于有条件生成对抗网络的IVUS图像组织轮廓边界检测算法,统计结果为:内膜JM 93%,PAD 3%,HD 0.19mm;中-外膜JM 95%,PAD 3%,HD 0.16mm。这些指标满足临床诊断要求,性能优于现有的、近年最好的8种算法,以及基于C-GANs的Pix2Pix算法和基于图块(Patch)分类的双稀疏自动编码器。总之,本文所提出的两种基于深度卷积网络的内膜、中-外膜边界检测方法简单有效,准确地检测出心血管内超声图像中的关键目标边界。