基于深度学习的计算机体层摄影血管造影颈动脉斑块分割初步研究

发布时间：2021-08-07 17:16

　　目的采用深度学习方法自动分割头颈部CTA图像中的颈动脉斑块。方法通过结合阈值分割和区域生长算法的半自动血管分割,从CTA图像中分割出颈总动脉至颈内动脉颅外段及其周围感兴趣区域,在此基础上,采用三维（3D）-Unet网络模型进行颈动脉斑块的识别和分割,将41例患者的CTA图像用于训练,9例患者的CTA图像用于测试,计算斑块识别率评估实验结果。结果半自动血管分割方法从原始图像中分割出颈总动脉至颈内动脉颅外段,分割结果与高年资影像科医师识别结果一致。通过3D-Unet网络模型进一步对斑块进行检测和分割,取得较好的结果,经统计,斑块检出率达到82.76%（24/29）,亦能识别体积相对较小的钙化斑块。结论血管分割和3D-Unet网络模型对颈动脉斑块的分割效果较好,为进一步的CTA颈动脉斑块分析和研究提供了一种有效工具。 

【文章来源】：上海医学. 2020,43(05)北大核心

【文章页数】：4 页

【部分图文】：

3D-Unet网络的具体架构

通过半自动血管分割方法,从原始CTA图像中分割出颈总动脉至颈内动脉颅外段,分割结果显示:预处理和阈值分割可筛选出原始CTA图像中血管和骨骼等高亮的区域,在选定合适的区域生长种子点后,可获得颈动脉的分割结果,与高年资影像科医师识别的结果一致。见图2。2.2 基于3D-Unet网络模型的颈动脉斑块分割

将分块测试结果整合后得到的颈动脉斑块分割结果显示:在斑块检测和分割方面均取得较好的效果,亦能识别体积相对较小的钙化斑块。高年资影像科医师勾画的颈动脉斑块结果见图3。基于3D-Unet网络模型的颈动脉斑块分割结果见图4。经统计,9例测试样本中,斑块识别率达到82.76%(24/29)。图4 基于3D-Unet网络模型得到的颈动脉斑块分割结果(红色所示)

【参考文献】：
期刊论文
[1]图像区域分割算法综述及比较[J]. 王媛媛.  产业与科技论坛. 2019(13)
[2]颈动脉斑块和狭窄与缺血性脑卒中的相关性研究[J]. 吴积新,成薇,胡碧琼,李燊宇,秦源,肖钰耀.  影像研究与医学应用. 2019(07)



本文编号：3328202