[发明专利]一种基于深度学习的三维颈动脉超声图像血管壁分割方法

说明书

本发明公开了一种基于深度学习的三维颈动脉超声图像血管壁分割方法，方法包括以下步骤：(1)获取三维超声图像；(2)获得颈动脉横切面的二维超声图像，并进行人工标记；(3)利用人工标记图像块动态微调卷积神经网络模型；(4)拟合血管外膜‑中膜边界初始轮廓；(5)利用动态调整后的卷积神经网络模型进行血管外膜‑中膜边界轮廓的分割；(6)获得血管腔ROI区域；(7)利用U‑Net网络分割血管腔，并通过形态学处理提取血管腔‑内膜边界轮廓。本方法能够精确分割出血管外膜‑中膜边界MAB和血管腔‑内膜边界LIB的轮廓，较大幅度减少医生的工作量，并可基于本方法的分割结果计算得到血管壁体积(VWV)、血管壁厚度(VWT)和血管壁厚度变化(VWT‑Change)。

技术领域

本发明属于计算机技术与医学图像的交叉领域，具体涉及到一种基于深度学习的三维颈动脉超声图像血管壁分割方法。

背景技术

在以往对血管斑块超声图像的研究中，大多数采用的是二维B超图像。内中膜厚度(IMT)是在临床上评价斑块时使用最广泛的指标，它是通过计算血管外膜-中膜边界(Media-Adventitia Boundary，MAB)和血管腔-内膜边界(Lumen-intima Boundary，LIB)之间的距离得到。近年来，三维超声提供了一种更高效、重复性更好、可靠性更高的血管斑块检测和分析手段，能够更可靠的分析斑块的组成、结构、形态等特性同时监测药物治疗对粥样硬化的影响。以颈动脉为例，有学者提出IMT对于预测脑血管事件的相关性比较差，斑块的三维特征能够更好的描述斑块的变化，包括：斑块总体积(TPV)，血管壁体积(VWV)，血管壁厚度(VWT)特征图，血管壁厚度变化(VWT-Change)特征图等。准确获取颈动脉的LIB和MAB能够提高斑块分割的精度，更准确的得到TPV值。而VWV、VWT和VWT-Change等指标的获取，是需要知道MAB和LIB的精确位置的。

然而，人工分割MAB和LIB的轮廓是非常费时的事情，且分割的准确度非常依赖操作者的医学知识背景和熟练程度。因此，MAB和LIB的自动分割算法是有重要意义的，而许多学者也开始研究生颈动脉内中膜的自动分割方法。Yang等人提出用主动轮廓模型(ASM)来分割三维超声图像的颈总动脉以观测药物治疗效果。Ukwatta等人采用基于水平集的方法对二维和三维颈动脉超声图像中血管LIB和MAB进行了分割。该方法要求操作者分别在LIB和MAB上标记若干点以及三维图像颈动脉血管的轴线。

以上这些颈动脉LIB和MAB分割方法主要存在两个缺点：第一，需要大量的人工参与，这非常耗时且依赖操作者的熟练程度。第二，ASM和水平集的方法都依赖于初始轮廓获取的准确程度。因此，这使得有一些学者开始研究使用深度学习的方法进行颈动脉血管壁分割(即，MAB和LIB分割)。Rosa-Maria等人提出了一种技术自动编解码机结构的最大学习机(ELM)算法分割二维颈动脉超声图像的颈总动脉的内中膜厚度(IMT)。但是，该方法只能适用于颈动脉粥样硬化的早期诊断。Shin等人用卷积神经网络(CNN)通过滑窗的方式分割颈动脉的内中膜。Azzopardi等人计算相位一致性图输入到CNN网络中分割颈动脉的MAB，但是该方法主要是用于二维超声图像，同时只能分割MAB。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习的三维颈动脉超声图像血管壁分割方法，其目的在于深度学习的方法对颈动脉的LIB和MAB进行半自动的分割，能够精确分割出LIB和MAB的轮廓，由此大幅度的减轻了医生的工作量，缩短了分割时间，同时，和以往方法相比减少了对初始化轮廓的依赖，且准确性更高、鲁棒性更好。基于本方法的分割结果计算得到的血管壁体积(VWV)、血管壁厚度(VWT)和血管壁厚度变化(VWT-Change)等指标能辅助医生分析病变程度及治疗效果。本发明一方面所需要人工标记点数量少，并且针对不同人工标记一致性好，另一方面，整个分割过程用时少。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的三维颈动脉超声图像血管壁分割方法，其特征在于，该方法能够得到颈动脉血管外膜-中膜边界MAB以及血管腔-内膜边界LIB，具体包括以下步骤：