基于机器学习的冠状动脉CTA斑块检测研究

发布时间：2022-01-22 22:32

　　心血管疾病是人类死亡的主要原因,而冠状动脉疾病是最常见的心血管疾病,冠状动脉粥样硬化斑块的检测对冠状动脉疾病的早期干预具有重要意义。冠状动脉CT血管造影成像（Computed Tomography Angiography,CTA）作为一种无创、低风险、低成本的成像模态,被认为是冠状动脉造影的微创代替,用于冠状动脉疾病的早期筛选和预防。然而,钙化伪影、心脏跳动引起的运动伪影等会降低CTA图像质量,导致视觉评估会带来较大的观察者间误差,而自动化或半自动化方法中,阈值分割法难以准确分割出斑块区域,依赖血管分割的方法难以生成完整的冠状动脉树,体素分类法获取标签费时费力。针对这些现存问题,本文在预先获取冠脉中心线的基础上,使用了两种不同的基于机器学习的方法完成冠脉斑块自动检测,研究工作主要如下:（1）基于支持向量机的多类别斑块检测方法。针对现有方法难以区分不同类别斑块的问题,本研究使用机器学习方法识别冠脉斑块。首先沿着冠脉中心线提取垂直于中心线的横截面;然后使用水平集方法对血管进行粗分割,获取血管感兴趣区域;随后设计随机径向对称特征提取方案表征斑块图像,并使用随机扩增策略对训练样本进行数据增强;... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图6两层的Ladder网络结构

第三章基于支持向量机的多类别冠脉斑块检测方法23第三章基于支持向量机的多类别冠脉斑块检测方法3.1引言CTA成像技术作为一种无侵袭的预筛选手段，可以对冠脉斑块进行早期的定量分析，以便对不同风险程度的患者进一步采取不同的干预措施。基于机器学习的自动化或半自动化检测冠脉斑块方法可以在很大程度上减少放射科医生的阅片压力，并实现对未来心血管事件的风险分级评估。以往的研究要么侧重于检测某一类特定的冠状动脉斑块，要么侧重于区分斑块与正常冠脉，而忽略了对不同类型斑块的分类。本章提出了一种基于机器学习的自动多类别冠状动脉斑块检测和分类方法。图7为本章所提方法的技术框架。该方法包括四部分，首先在心脏CTA图像中预先获取冠脉中心线，沿着血管中心线，提取垂直于中心线的血管横截面；接着对血管横截面进行粗分割，并且根据粗分割结果估计横截面半径，所估计的半径用于在横截面上选取感兴趣区域；然后在血管横截面感兴趣区域上设计随机径向对称（RandomRadiusSymmetry，RRS）特征向量提取方案，该方案通过随机初始角度采样策略对数据进行扩增；最后将从血管横截面提取的RRS特征向量送入支持向量机中完成血管斑块检测和分类任务。图7自动多类别血管斑块检测框架

西北大学硕士学位论文243.2基于支持向量机的冠脉斑块检测框架3.2.1坐标系转换和配准在临床中有多种方式对CTA数据进行重建，以方便针对特定的任务进行特定的研究。原始的三种CT扫描正交视角（冠状位、矢状位和轴状位）中，一般无法显示出血管类似于环形的特定结构，这种可视化方法忽略了对血管特异性的观察。在本章的研究中，为了解决在原始视角上无法得到血管特定结构信息的问题，通过坐标系变换将原始CTA图像转换成一系列垂直于给定血管中心线的横截面进行研究。该坐标系转换步骤包括坐标对应、图像配准和线性插值。图8沿着不同视角的血管二维横截面。（a）沿着z轴的横截面，（b）沿着中心线的横截面。红色圆圈表示半径为5像素的感兴趣区域如图8所示，（a）表示在原始的CTA正交视角上提取的血管横截面，（b）表示在进行坐标变换和配准后，提取的垂直于血管中心线的横截面。在进行坐标转换前，首先假定在原始坐标系中，给定一个中心点c(,,)xyzccc，将沿着该中心点的中心线切线方向作为血管横截面的法向量m(,,)xyzmmm，该法向量由两个连续的血管中心线点的差分获得。接着建立一个新的坐标系，以目标血管横截面作为新坐标系的xOy面，以法向量作为z轴，横截面中心点为坐标系原点。对于新的坐标系而言，法向量设为n(0,0,1)，血管横截面的计算即为新坐标系坐标平面的计算，因此可以将血管横截面的计算转化为两个坐标系的配准，更进一步而言，如图9所示，简化为向量m和n的

【参考文献】：
期刊论文
[1]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟.  中国循环杂志. 2019(03)
[2]冠脉CTA评估心绞痛患者斑块性质及其与心血管事件的相关性研究[J]. 郭长磊.  中国CT和MRI杂志. 2018(12)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)



本文编号：3603027