[发明专利]一种基于边缘响应与非线性损失的主动脉夹层分割方法

说明书

本发明公开一种基于边缘响应与非线性损失的主动脉夹层分割方法，包括：对主动脉夹层CT图像进行预处理，将预处理后的所述主动脉夹层CT图像划分为训练集与验证集；建立主动脉夹层深度边缘响应三维级联分割模型；设计基于边缘响应损失和自适应对数损失的组合损失函数；基于所述组合损失函数与所述训练集对所述主动脉夹层深度边缘响应三维级联分割模型进行训练，使用训练好的所述主动脉夹层深度边缘响应三维级联分割模型完成主动脉夹层分割。本发明能够缓解主动脉夹层分割中的区域不连续和类别不平衡问题，提高真腔、假腔和全主动脉的分割精度。

技术领域

本发明属于医学影像图像处理技术领域，尤其涉及一种基于边缘响应与非线性损失的主动脉夹层分割方法。

背景技术

主动脉夹层(Aortic Dissection,AD)是致死率最高的主动脉疾病。有临床表现复杂、缺乏具体的症状和体征等特点。该疾病的诊断对医生的专业性要求很高，非心血管专业医生对AD的了解不足就很容易出现误诊现象。AD要根据内膜破裂口的来源和夹层累及程度进行分型(分类)，根据Stanford分型方法可以分为A型和B型，每个型别的夹层都有对应的专业的治疗方法。但A型夹层和B型夹层的手术治疗，都需要医师在手术前准确地掌握破口位置、夹层累及程度。掌握这些必要的信息在术前诊断、手术规划和术后治疗都有重大的意义，确保对病人进行及时有效的治疗。实现自动的、精确的对主动脉夹层真腔、假腔、全主动脉的分割可以为病患节约宝贵的时间，也可以为医生在进行手术规划和术后治疗提供辅助作用。目前主动脉夹层的分割主要有基于模型的方法、基于小波分析的方法和基于深度学习的方法。

基于模型的方法：利用主动脉的圆形先验知识和霍夫变换对主动脉进行分割，而不考虑内膜瓣和造影剂在假腔内的不均匀分布。主要有三个步骤：分割整个主动脉管腔、检测内膜瓣和识别真腔、假腔。由于每一步都高度依赖于前面的步骤，并且该方法在很大程度上是利用了CT图像中主动脉夹层的形态和特性的先验假设。因此，基于模型的方法很容易在形状不规则的主动脉上失效，如伴有动脉瘤和严重狭窄的主动脉。

基于小波分析的方法：结合小波分析方法和生成-判别模型匹配学习方法，来分割主动脉夹层真腔和假腔。首先，使用半自动方法检测主动脉的完整边界。其次，使用小波分析法检测主动脉夹层的内边缘。然后，使用判别学习方法对检测到的边缘进行细化，只预测管腔边缘点。最后，通过估计主动脉边界内的密度分布，使用生成学习方法来区分真腔和假腔。

基于深度学习的方法：基于深度学习对主动脉夹层进行分割是当前的大趋势。目前基于深度学习对主动脉夹层进行分割，研究人员提出了以下几种方法：1、将主动脉夹层CT图像分割成垂直于主动脉中心线的多平面重建图上的真假腔，并得出定量的形态学特征，特别是主动脉直径和真假腔的横截面积。设计包括两个卷积神经网络(CNN)分割算法，通过该算法得出主动脉中心线，生成与中心线正交的MPR，并对真假腔体进行分割。2、基于全卷积神经网络搭建的主动脉夹层分割模型。结合局部信息和全局信息来提高分割准确性，再经过全连接随机场，使网络能够注意到主动脉夹层图像中的真腔和假腔区域边缘的细节信息。3、使用两个独立的二维级联CNN网络分别提取整个主动脉腔和真腔的轮廓，假腔轮廓可以通过从整个主动脉腔和真腔的轮廓转换获得。4、使用对比度增强的CT图像对主动脉夹层进行分割。首先，构建一个基于U-Net的语义分割架构，将其应用于对比度增强的CT图像来分割主动脉夹层的真腔。然后，使用分割结果进行主动脉圆度分析，以获得切片级的检测结果。

主动脉夹层中全主动脉夹层分割任务和真假腔分割任务中都存在类别不平衡问题，即分割时不同类别之间出现的频率差别较大，导致网络模型不能在所有的类别上同时较好的收敛，因此在各类别上的分割效果不一致、分割效果较差的问题。同时，由于主动脉夹层的特殊结构，主动脉夹层的真腔与假腔之间存在一层薄膜也就是夹层，这将导致主动脉夹层区域内的不连续性，同时主动脉夹层也存在边缘区域不连续。这些问题是影响主动脉夹层全主动脉分割和真假腔分割的巨大障碍，但是目前的研究在分割主动脉夹层真假腔和全主动脉时，并没很好的考虑到分割过程中的存在的区域不连续和类别不平衡问题，因此其分割的结果边缘常常不够平滑，分割精确度不高。

发明内容