基于深度学习网络的血管内超声影像斑块识别与评估方法研究

发布时间：2020-03-18 16:53

【摘要】：冠心病(Coronary artery disease,CAD)是目前世界上致死率最高的疾病之一。而冠状动脉粥样硬化斑块是引发冠心病的一种常见病因。血管内超声成像能够准确的实现对冠状动脉血管内部的实时显像,提供血管腔内部的解剖结构和组织学信息,故成为临床诊断冠状动脉疾病的新“金标准”。目前临床上对血管内超声影像斑块的诊断,主要凭借医生的主观经验,缺乏客观有效的评估标准。本文提出一种基于深度学习网络的血管内超声影像斑块识别与评估模型,帮助医生提高诊疗准确性和效率。首先,建立样本数据集。本论文研究对象是来自广东省人民医院43名患者的60组血管内超声图像序列。临床医生通过本研究设计的一种人工辅助勾画软件,对图像中血管中内膜区域和三种常见斑块(钙化、纤维、脂质)进行勾画,提取相应区域,建立样本数据集。数据集包含血管中内膜753张,钙化斑块240张,纤维斑块219张,脂质斑块185张。按照4:1的比例对各样本数据集划分训练集和独立测试集。接着,建立深度学习分割模型。考虑到血管内斑块主要位于血管的中内膜区域,因此先建立深度学习模型分割中内膜区域。采用U-Net、Dense-U-Net和Res-U-Net三种网络,对血管中内膜感兴趣区域实施分割。然后,再分别对脂质、纤维、钙化三类斑块建立深度学习模型,经过训练后对独立测试集进行测试。实验结果表明,对血管中内膜区域分割最优模型是Res-U-Net,Dice系数达0.8505。面积差占比(PAD)和豪斯多夫距离(HD)分别为10.11%和0.6398mm,比文献中24.18%和0.7356mm的值更小。分割钙化、纤维和脂质斑块的最优模型Dice系数分别为0.7078(Dense-U-Net)、0.7145(Res-U-Net)和0.6398(Dense-U-Net)。最后,对斑块测试集和单个患者斑块负荷状况进行定量评估,以验证模型的有效性,,通过计算患者冠状动脉的最小管腔面积和斑块负荷,以判断是否需要介入治疗。结果表明,本文建立的斑块识别和评估模型,对临床具有重要的参考价值。
【图文】：

示意图,冠状动脉,示意图,绪论

第一章绪论第一章绪论义ary artery）是人体心脏中最重要的血液供应于心外膜表面，，为心脏提供血液（图 1-1）。又被称为冠状动脉粥样硬化性心脏病。由于冠状动脉狭窄或阻塞，形成血栓，引发管肌供血、供氧不足继而心肌梗死。在临床、坏疽、血栓、末梢机能丧失等[1]，是一种病。

示意图,冠状动脉粥样硬化斑块,示意图,冠心病

华南理工大学工程硕士学位论文内斑块同血管中内膜之间的组织关系见图 1-2 所示。在世界上十大致死疾病中排名前列，是人类健康的重大冠心病和死于冠心病的人数呈上升和年轻化趋势[3]。近康社会的全面建成和物质生活水平的稳步提高也伴随着中冠心病的患病人数也日益增多，对冠心病的防治备受的重要问题。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R541.4;R445.1

【参考文献】