基于半监督深度学习的冠状动脉分割方法研究

发布时间：2021-02-08 16:34

　　冠状动脉分割在血管解剖结构分析、冠脉疾病临床诊断（例如冠脉狭窄、冠脉钙化等）、冠脉外科手术方案制定以及血流情况建模等研究中至关重要。目前冠状动脉分割方法主要包括主动轮廓模型法、区域生长法、匹配滤波法、机器学习方法等,然而由于CTA图像中冠状动脉与周围组织器官（例如心脏腔室、肺动静脉等）的强度值比较接近,连同造影剂分布不均匀引起的图像噪声,以及心脏跳动引起运动伪影等问题,导致精确地进行冠脉血管分割仍然充满挑战。针对此挑战,本文提出了一种基于半监督深度学习的CTA图像冠状动脉分割方法,首先构建了一种用于冠脉血管切片识别的卷积神经网络,然后研究改进的多尺度特征分解网络进行二维切片的冠状动脉分割,最后将二维切片中冠状动脉的分割结果组合起来实现了冠状动脉的三维分割。本文的研究工作可概括如下:（1）为了解决心脏内外与冠脉结构相似的组织器官对冠脉分割结果的影响问题,本文使用带有注意力机制的卷积神经网络识别含有冠脉血管像素的切片图像,代替了以往的心脏区域分割工作,为冠脉血管的像素级分割提供了感兴趣区域。本文使用的卷积神经网络以VGG结构为基础,在其卷积层后增加了注意力模块（Convolutional ... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

Sigmoid函数图像

第三章基于卷积神经网络的血管切片识别方法31maxValue表示归一化范围的最大值，这里为1，mindata为整个数据的最小值，maxdata为整个数据的最大值。（2）切片（patch）选取：本小节中的血管切片是将三维CTA数据沿Z轴方向，从XOY平面进行切片选取，尺寸大小为6464，步长为64，即选取的切片像素之间没有互相重叠，一张512512的图片可以选取64张小切片，选取方式如图20所示，其中大图为一张完整的二维图片，红色的框为选取的小切片。图20心脏CTA数据中取小切片每个切片中，根据已有冠状动脉血管标签判断，若此切片中含有冠脉血管像素，则将其定义为血管切片即标签为1；若切片不含有冠脉血管像素则将其定义为非血管像素即标签为0。根据上述取切片的方法，以数据1为例（尺寸为：512512276），共获得17664张小切片，其中血管切片为955张，非血管切片为16709张。从非血管切片中随机选取与血管切片相同数量的切片，将两者结合起来的1910张切片组成训练数据。送入分类网络的切片如图21所示。图21切片提取结果分类实验过程中，选取14组数据作为训练数据集，另外的4组数据作为验证数据集，10组数据作为测试数据集。3.3.3实验评价指标分类结果的准确性通常与已有的标签比较来进行评估，医学图像分类中常使用真阳(TruePositive，TP)、真阴(TrueNegative，TN)、假阴(FalseNegative，FN)和假阳(False

西北大学硕士学位论文34模块分别在通道和空间轴上对需要增强的信息进行学习，使网络的模型更加优化。实验七、八对比了有无CBAM模块，根据实验结果，最终网络训练过程中添加了CBAM模块。5.训练迭代次数（Epoch）越多，训练所需要的时间越长，并且训练出模型的测试集准确率越高，然而如果将迭代次数设置过高，将会导致训练时间过长，而且验证集的准确率可能也难以进一步提升，如实验七、九、十所示。最终我们选择150个Epoch作为实验的迭代次数。对于上述实验，将其训练时间绘制成折线图，如图22所示，横轴表示实验组数，纵轴表示训练时间（单位：秒）：图22训练时间折线图根据图22不同组实验训练时间图，可以看出添加Dropout层会减少训练时间，添加注意力机制（CBAM模块）和增加训练次数会增加训练时间，其它参数的调整对训练时间的影响不大。在本文的血管切片分类网络中，学习率每隔两个Epoch衰减0.5%，L2正则化系数为0.1，全连接层神经元的个数为4096，迭代次数为150。实验中分别保存了训练过程和验证过程中随着迭代次数增加的损失函数衰减曲线图、准确率曲线图、灵敏度曲线图以及特异性曲线图，如图23和图24所示。损失函数（Loss）衰减图如图左上所示，准确率（acc）曲线图如图右上所示，灵敏度（sen）曲线图如图左下所示，特异性（sep）曲线图如图右下所示。

【参考文献】：
期刊论文
[1]医学图像分割方法综述[J]. 刘宇,陈胜.  电子科技. 2017(08)

硕士论文
[1]基于主动形状模型的医学图像分割方法研究[D]. 王宇慧.西北大学 2015



本文编号：3024218