CN114332072A - 一种主动脉夹层疾病分型方法和装置、存储介质 - Google Patents
一种主动脉夹层疾病分型方法和装置、存储介质 Download PDFInfo
- Publication number
- CN114332072A CN114332072A CN202210009427.2A CN202210009427A CN114332072A CN 114332072 A CN114332072 A CN 114332072A CN 202210009427 A CN202210009427 A CN 202210009427A CN 114332072 A CN114332072 A CN 114332072A
- Authority
- CN
- China
- Prior art keywords
- aorta
- aortic dissection
- aortic
- segmentation
- true
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000002251 Dissecting Aneurysm Diseases 0.000 title claims abstract description 99
- 206010002895 aortic dissection Diseases 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 60
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 38
- 210000000709 aorta Anatomy 0.000 claims abstract description 134
- 230000011218 segmentation Effects 0.000 claims abstract description 76
- 210000002376 aorta thoracic Anatomy 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000002224 dissection Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000034693 Laceration Diseases 0.000 description 1
- QKGHBQJLEHAMKJ-DHGKCCLASA-N [(2r,3s,4r,5r,6s)-3,4,6-triacetyloxy-5-azidooxan-2-yl]methyl acetate Chemical compound CC(=O)OC[C@H]1O[C@@H](OC(C)=O)[C@H](N=[N+]=[N-])[C@@H](OC(C)=O)[C@@H]1OC(C)=O QKGHBQJLEHAMKJ-DHGKCCLASA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000000702 aorta abdominal Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种主动脉夹层疾病分型方法和装置、存储介质,包括:获取主动脉夹层疾病患者的CT图像数据;根据所述CT图像数据进行主动脉夹层真假腔分割,得到主动脉;对所述主动脉提取主动脉中心线;根据所述主动脉中心线对主动脉进行分段操作,得到升主动脉部分、主动脉弓部分和降主动脉部分;基于Stanford分型依据对升主动脉部分、主动脉弓部分和降主动脉部分进行A型和B型的分类。采用本发明的技术方案,以解决针对主动脉夹层分割时由于真假腔体积相差过大而导致的分割准确度较低的问题,在此基础上实现主动脉夹层疾病分型。
Description
技术领域
本发明属于医学图像处理技术领域,特别是涉及一种基于语义分割与几何特性的主动脉夹层疾病分型方法和装置、存储介质。
背景技术
近年来随着人工智能的发展,使用计算机来辅助医生进行临床诊断和决策成为了医学图像领域的热点,而临床诊断时常常会用到的医学成像也成为了研究热点,比如:计算机CT扫描、MRI等。主动脉夹层疾病指的是高压高速的血液流入主动脉组织的破裂内膜,形成真腔和假腔,该病的发病率很低,但是致死率高,因此早期的医学影像检查诊断十分必要。下面介绍一下主动脉夹层疾病领域常见的几个研究方向的研究现状。
1、主动脉夹层分割研究
现有技术中,主动脉夹层分割的方法有很多,从成熟的传统图像处理技术到机器学习、深度卷积神经网络等新兴的方法都被用于主动脉夹层真假腔的分割。目前为止,主动脉夹层分割算法主要有三类,分别是基于模型的算法、小波分析和深度学习的研究。
基于模型的算法利用主动脉的圆形和Hough变换的先验知识,使用弹性可变形模型(DM)进一步细化分段的主动脉。在很大程度上,基于模型的方法依赖于对CTA图像中主动脉夹层的形态和性质的先验假设,这使得该类方法在不规则形状的动脉(如有动脉瘤和严重狭窄的动脉)上容易失败。
小波分析算法一种多尺度小波分析与产生式模型匹配相结合的方法,用于对真腔和假腔进行区分和分割。在使用半自动方法检测主动脉的完整边界的基础上,使用小波分析对夹层主动脉进行边缘检测,然后,利用判别学习对边缘进行细化,最后,利用产生式学习方法来判别真腔和假腔。但是该方法通常用于对正常主动脉的分割,而对于不常见的主动脉夹层疾病的分割效果较差。
近年来,随着深度学习的发展,逐步有一些算法用到了主动脉夹层的分割领域,近年来相关算法主要有两种,一种是通过提取图像分割领域中常见的整个视线区域来进行AD的分割,包括两个3D分割网络:第一个网络用于分割整个主动脉,第二个网络用于同时分割真腔和假腔;另一种是最近提出的一种新的图像分割方法,该方法认为主动脉夹层的分割只需提取管腔轮廓,只需简单的进行一些处理即可得到整个管腔区域。其使用两个独立的二维级联CNN分别提取整个腹主动脉管腔和真实管腔的轮廓,其分别对整个大动脉和真腔的轮廓(边缘)使用固定数量的点进行注释,然后对整个主动脉管腔和真实管腔的环线进行简单的换算,从而得到假腔的环线,也即实现了主动脉夹层的分割。
2、主动脉中心线提取研究
中心线提取是主动脉夹层疾病研究领域很重要的问题,由于主动脉可以看作是弯曲的管状结构,因此,主动脉中心线提取可以认为是管状物体中心线提取。而提取管状物体中心线方法主要有四种,分别是基于拓扑细化、基于距离变换、基于路径规划、基于追踪的方法等。
基于拓扑细化的方法是利用形态学上的腐蚀操作来对物体进行不断细化,并最终留下骨架,从而得到中心线。首先是在初始血管区域中执行变薄的操作来初步获得血管中心线。同时为了防止变薄后产生孔洞和附加线,在变薄之前对初始血管区域应用形态闭合。通常采用串行或并行的方式进行迭代计算,虽然迭代会使得计算过程复杂,但是这种方法能够很好地保持物体的几何连通结构,且具有较高的精度。
基于距离变换的方法是一种常用的提取中心线的方法,通过确定物体的最大内切球获得球心,即中心点,对整个三维物体连续进行该操作可以得到一系列的球心,最终可以得到一条完整的中心线。
基于路径规划的方法通常是基于视觉来实现的。通过定位虚拟相机的方法基于中间轴变换,计算效率更高。通过迭代地校正朝向中间轴的路径,消除了在形态减薄过程中评估简单点是否标准的必要性,该算法的结果是平滑,集中的路径,有助于在三维医学图像的虚拟内窥镜探查中进行导航。
基于追踪的方法是通过判断管状物体的局部方向来得到中心线的方向变化趋势,并通过计算得到横截面的中心点,对整个物体重复此过程,最终可以得到一条中心线。在此方法中,局部方向的判断十分重要,基于Hessian矩阵的方法是根据最小特征值的特征向量方向来判断中心线方向;基于脊线的方法是通过计算梯度来判断管状的走向;还有一种基于轮廓的模型,通过给予初始中心线形状,然后计算能量函数使得中心线不断移动,当梯度变化最小时便得到了中心线。而对于主动脉夹层分型问题,过去传统的夹层分型主要依靠医生的人工诊断,这种方式需要医生每天观察大量的CT图,工作量巨大、效率较低,而且可能由于医生疲劳等情况导致误诊的发生。
近年来基于深度学习的分类方法开始在主动脉夹层分型中应用,一些深度学习的分类算法被用于主动脉夹层分型,但是由于主动脉夹层的数据量有限,网络学习效果较差,以及人体内环境的结构较多,主动脉形状各异,且真假腔的分布更是千变万化,导致了深度学习更加无法准确学习到准确的特征,导致了分型准确率低下,因此单纯靠深度学习的方法难以实现较好的效果。因此,一个合理、创新的主动脉夹层分型方法对主动脉夹层的分型十分重要。
发明内容
本发明要解决的技术问题是,提供一种基于语义分割与几何特性的主动脉夹层疾病分型方法和装置、存储介质,针对主动脉夹层分割时由于真假腔体积相差过大而导致的分割准确度较低的问题,通过将一种新型通道注意力机制融合到多任务级联训练策略中,为各个通道赋以各自的权重,并进行特征融合,达到了使用完整主动脉分割的结果来引导真假腔分割的目的;在此基础上进行分型的研究,首先采用基于中心点序列的方法提取中心线,然后基于主动脉几何特性提取关键点并分段,最后实现主动脉夹层疾病分型。
为实现上述目的,本发明采用如下的技术方案:
一种主动脉夹层疾病分型方法,包括以下步骤:
步骤S1、获取主动脉夹层疾病患者的CT图像数据;
步骤S2、根据所述CT图像数据进行主动脉夹层真假腔分割,得到主动脉;
步骤S3、对所述主动脉提取主动脉中心线;
步骤S4、根据所述主动脉中心线对主动脉进行分段操作,得到升主动脉部分、主动脉弓部分和降主动脉部分;
步骤S5、基于Stanford分型依据对升主动脉部分、主动脉弓部分和降主动脉部分进行A型和B型的分类。
作为优选,步骤S2中采用多任务级联策略进行主动脉夹层真假腔分割,并且通过基于注意力机制共享网络参数来实现任务之间的连接。
作为优选,步骤S3中首先寻找主动脉的边界点,然后利用离散的横截面与主动脉的交点来寻找中心点,最后提取主动脉的中心线。
作为优选,步骤S4中基于主动脉的离散点曲率对主动脉进行分段操作。
作为优选,步骤S5中使用真假腔分割训练得到的模型建立分类器对升、降主动脉部分进行测试,得到真假腔的dice指标和预测的真假腔所占的体积,然后采用概率来判断病人的主动脉夹层是A型还是B型;设A段主动脉包含真腔的概率是PdiceA1,A段包含假腔的概率是Pdicea2,A段主动脉真腔的体积是NumA1,A段主动脉假腔的体积是NumA2,C段包含真腔的概率是PdiceC1,C段包含假腔的概率是 PdiceC2,C段主动脉真腔的体积是NumC1,C段主动脉假腔的体积是 NumC2。
通过如下公式分别计算主动脉夹层分别是A型或B型的概率:
采用分类器通过对计算得到的主动脉夹层是A型的概率和B型的概率分别进行评估,然后输出对该主动脉类型的判断。
本发明还提供一种主动脉夹层疾病分型装置,包括:
获取模块,用于获取主动脉夹层疾病患者的CT图像数据;
分割模块,用于根据所述CT图像数据进行主动脉夹层真假腔分割,得到主动脉;
提取模块,用于对所述主动脉提取主动脉中心线;
分段模块,用于根据所述主动脉中心线对主动脉进行分段操作,得到升主动脉部分、主动脉弓部分和降主动脉部分;
分类模块,用于基于Stanford分型依据对升主动脉部分、主动脉弓部分和降主动脉部分进行A型和B型的分类。
作为优选,分割模块采用多任务级联策略进行主动脉夹层真假腔分割,并且通过基于注意力机制共享网络参数来实现任务之间的连接。
作为优选,提取模块采用基于中心点序列进行主动脉中心线提取。
作为优选,分段模块采用基于主动脉的离散点曲率对主动脉进行分段操作。
本发明还提供一种存储介质,其存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行主动脉夹层疾病分型方法。
本发明具有以下技术效果:
1、本发明依次进行主动脉夹层真假腔的分割,中心线的提取、主动脉分段和主动脉夹层的分型,实现了对主动脉夹层疾病的自动分型。
2、本发明提出一种新的注意力机制,通过该机制可以使用第一个任务的结果来指导第二个任务的训练,提高了主动脉夹层真假腔分割算法的分割效果。
3、本发明提出了基于中心点序列的主动脉中心线提取方法,先寻找主动脉的边界点,然后利用离散的横截面与主动脉的交点来寻找中心点,最后即可画出主动脉的中心线。
4、本发明提出了基于几何特性的主动脉分段方法,基于前面求得的一系列离散中心点序列,可以利用曲率来求出曲率最大的位置,该位置即为分段的分界点,可以得到升主动脉、降主动脉、主动脉弓三段。
5、本发明提出了基于Stanford依据的主动脉夹层分型方法,首先,使用真假腔分割训练得到的模型建立分类器,然后针对Stanford 分型依据中各个段是否包含真假腔来进行主动脉夹层的分型,最终解决了当前主动脉夹层分型效果差的问题。
附图说明
图1为本发明主动脉夹层疾病分型方法的流程图;
图2为多任务级联策略的示意图;
图3为注意力模块原理图;
图4为主动脉形状的示意图;
图5为钝角三角形外接圆的示意图;
图6为本发明主动脉夹层疾病分型方法的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1:
如图1所示,本发明提供一种主动脉夹层疾病分型方法包括:
步骤S1、获取主动脉夹层疾病患者的CT图像数据
医学图像的格式比较多样化,常用的三维图像格式有nii、nrrd、 Nifti等,二维图像格式有DICOM、jpg、png、gif等,医院提供的 CT原始图像格式是DICOM格式,每个病人都有几百张DICOM切片,但是考虑到CT影像作为三维图像,图像中的三维空间信息非常丰富,而二维分割网络忽视了不同层间的位置关系,无法利用这些信息,并且往往不同位置的图像差别较大,也不利于网络学习通用特征。因此需要先进行格式转换,即将数据从二维的DICOM格式转换为三维的 nii格式。
此外,在使用3D Slicer软件标注后,生成的标注图像格式是 nrrd,而后缀名不一样会为后续的程序编写造成麻烦。因此,为了方便后续的程序编写,需要保持后缀名的统一,因此将标注文件后缀名由nrrd修改为nii。
为了便于后续训练,本发明将100位主动脉夹层疾病患者的CT 图像数据按照3:1的比例分成了训练集和测试集,并且为了保证数据的随机性,数据分配顺序没有任何人为因素的干扰。此外,还使用平移、旋转等操作进行了数据增广,并进行灰度变换将CT图像的整体亮度提高,有助于提高主动脉真假腔分割的效果。
步骤2、基于注意力机制的主动脉夹层真假腔分割
主动脉夹层的分割算法采用了多任务级联的策略,首先从CT图中把完整主动脉提取出来,然后将结果再次输入网络,指导主动脉夹层真假腔的分割。本发明采用的算法是3DUnet算法的改进算法。但是3D Unet存在一些缺点,比如在先下采样再上采样的过程中会丢失一些特征,导致特征学习不准确,因此本发明再原网络的基础上进行了改进,首先对数据进行灰度变换预处理,然后在原来算法的基础上增加了注意力模块,变成了3D ModifiedUnet算法,最后为了提高分割效果,本发明将损失函数进行了改变。
(1)多任务级联策略
通常在深度学习领域,当需要先后进行多个任务时,一般采用级联的策略,由于本发明需要先进行完整主动脉分割再进行真假腔分割,因此采用了多任务级联的策略,其原理图如图2所示。多任务级联指的是将多个相关的预测任务结合起来,并利用其中的一种任务来提升其他任务的准确率。由于不同任务的网络可能不同,因此本发明通常是通过共享网络参数来实现任务之间的连接的。对于主动脉夹层分割任务,本发明采用注意力机制来进行参数共享,原理图如附图2 所示。
(2)注意力机制
注意力机制最早是被用于机器翻译任务中,近年来在计算机视觉分类、语义分割任务中被广泛使用,它主要是由卷积操作组成,结合该模块有助于对图像的细节部分及较难分割的部分进行精细化分割。
本发明所使用的注意力模块的原理图如附图3所示,它可以使用第一个任务的结果来指导第二个任务的训练,即在第一个任务分割出完整主动脉后,第二个任务直接在此基础上进行真假腔的分割,从而可以起到更好的效果,其结构由两个部分组成,分别是类别通道权重 (Category Channel Weight,CCW)模块和互补分割(Complementarysegmentation,CS)模块,下面进行分别介绍。
对于CCW模块,第一个任务中已经得到了整个CT图像中每个体素分别属于背景和完整主动脉的概率,然后本发明使用如下所示的公式(1)和(2)来计算Pa和Pn参数,Pa和Pn分别代表了所有属于与主动脉和非主动脉的体素的概率分布。
在此基础上可以进行通道的权重Wa和Wn计算,Wa和Wn分别表示了每个通道对于分割主动脉和背景的权重,其计算公式下式所示:
对于CS模块,该块包含两条路径,这两条路径可以充分利用特定类别的通道重要性信息(Wa和Wn)来提高分段性能。如附图3右侧部分所示,这两种途径分别侧重于肿瘤和非肿瘤体素的分割。 CompSeg块可以更详细地描述如下。首先,Wa和Wn分别用于重新校准F中的每个通道。
(3)损失函数
医学图像分割领域,本发明通常采用dice指标来评价分割的准确度,其计算表达式如下所示:
其中,|X∩Y|表示X和Y之间的交集,|X|和|Y|分别表示X和Y 的元素个数,分子中乘以系数,是因为分母存在重复计算,这样处理可以保证dice介于[0,1],dice系数通常用于医学图像分割,用于衡量预测标记部分与真实标记部分的重合程度。
与之对应的损失函数表达式是:Loss=1-dice,由于在第一个任务的完整主动脉分割和第二个任务的真假腔分割中,都存在着类别不平衡问题,即前景的体积相比背景的体积太小,这会导致分割的精度降低。
现在在公式(8)的基础上进行改进,由于类别不平衡问题的本质是前景和背景的体积差异过大,因此考虑按照体积大小为每个类别分别赋予不同的权重,可以减轻类别之间的体积差异过大而导致的分割效果差的问题,即将该表达式改进为下列表达式:
其中,N为分割任务中的类别数量。
针对本发明研究问题,无论对于完整主动脉分割还是真假腔分割,都是两个类别,因此,表达式可以具体为如下所示:
其中,由于真假腔的类别数为2,故N取2,αt用于控制正负样本对总的loss的影响权重。αt取比较小的值来降低体积大的部分的权重,考虑αt与dice相关联,即即通过考虑两个类别的体积来分配权重,一般来说体积较大类别的权重小一些,可以弥补类别不平衡的问题。
步骤3、基于中心点序列的主动脉中心线提取
步骤2分割部分已经将完整的主动脉分割出来,在此基础上可以进行主动脉中心线的提取。本发明把一幅CT图像以主动脉边界为分界线将图像的所有像素点集合分为两个部分,其中在主动脉内部的称为内点,反之,在主动脉外部的点称为外点,将他们分成两个集合,分别命名为和此时可以定义边界点为如下集合:
其中,R(voxel)代表以该体素为圆心,半径为2个体素的球型,通过该表达式可以找到厚度为2的边界轮廓。然后可以开始依次寻找中心点。对中的任意一个点,即任意主动脉内的点,都可以算出该点距离边界的最小距离,此处采用欧氏距离如下所示:
d=||x1-x2|| (11)
然后寻找中心点,考虑用一个横截面对CT图像进行截断处理,就可以得到一个或两个圆形的横截面。当只有一个圆形截面时,显然可以用这个截面来求出此圆的半径;然而当有两个截面时,就无法直接求出,因此考虑采用用横截面和主动脉的最大和最小交点,然后连接两个点,在求出这条线与主动脉的另外两个交点,就可以分别求出两个圆形的半径。求得截面与主动脉的交点本发明设为rij,其中i表示第i个横截面,j等于1或2,分别在表示有一个圆形截面或两个圆形截面。
然后,可以用以下公式得到中心点集合:
χ={xi|int(d)=rij} (12)
计算得到中心点集合后开始进行中心线的提取。本发明中将求取主动脉中心线的过程类比为求从主动脉的降主动脉顶点到另一端升主动脉顶点的最短距离。通过查阅资料可知,Dijkstra算法通常用于求从出发点到最终点所经过的最小路径,也被称为最小路径算法。因此可以采用Dijkstra算法来提取中心线,并用插值法对提取的最小路径进行圆滑处理,也即中心线提取完成。
步骤4、基于主动脉几何特性的主动脉分段
中心线提取出来之后,可以进行主动脉的分段操作。通过查阅文献和观察CT图像,可以看出实际的主动脉近似是一种弓形的圆柱体结构,且主动脉弓的顶端位置的曲率最大,主动脉的形状如附录图4 所示,将此作为先验条件,为后续分段、分型提供便利。由图还可看到,主动脉分为三段,分别是升主动脉(A段)、主动脉弓(B段) 和降主动脉(C段)。
前面已经得到了中心点集合χ,可以进一步计算每个点所在位置的曲率。通常曲率指的是连续的曲线上某点切线方向角对弧长的转动率。
但是本发明研究的是离散的中心点,因此计算曲率不能用连续的计算方法,考虑几何知识也可以用来求离散点的曲率。根据几何知识,已知三个点的坐标可以确定一个三角形,任意三角形又可以确定一个完整的外接圆,曲率半径可以由圆的半径得到,将它取倒数可以得到曲率。因此相邻的三个中心点可以组成一个三角形,而且一定是钝角三角形,如附图5所示。
对外接圆半径R进行推导,得到等式如公式(13)所示:
而曲率半径与曲率有如下关系:
即曲率K的大小为:
使用公式(15)可以计算得到除了始末位置之外所有点的曲率,而始末位置一定不是主动脉弓的位置,因此可以忽略。
然后对所有的曲率进行筛选,考虑到先验知识:主动脉弓顶端的弯曲程度是整个主动脉中最大的,因此,可以通过比较所有的曲率(曲率半径)来得到了曲率最大(曲率半径最小)的点坐标,即附图4的 P点。然后,从P点向下寻找到主动脉的下边界线,得到与边界线相交的坐标,沿着该点的z坐标进行切割,得到上下两部分,上部分是主动脉弓部分(B段),下部分是升主动脉和降主动脉。然后对下部分进一步分割,得到升主动脉(A段)和降主动脉(C段)。对所有 CT图像分别进行同样的处理,将主动脉的边界数据记录在Excel表格,编写程序将原始主动脉图像和标注图像进行自动分段。
步骤5、基于Stanford依据的主动脉夹层分型
根据内膜破口位置以及假腔分布的位置,可以将主动脉夹层分成不同的类型,分别对应不同的治疗方案。常用的主动脉夹层疾病的分型依据有两种,分别是Stanford和Debakey依据,其中,Stanford 分型比较常用,它是根据内膜撕裂的位置情况来对主动脉夹层进行分类,即凡是升主动脉包含假腔的称为A型(TAAD),升主动脉不包含假腔的都称为B型(TBAD)。而本发明的主动脉分型主要采用了Stanford分型依据。
首先,为了确定模型的稳定性,本发明使用分割真假腔的模型去分割健康主动脉,最终的结果中假腔的dice指标均为0,因此可以认为训练得到的模型不会因为特殊的输入而产生错误的分割结果,比如输入的升主动脉图像没有假腔部分(此时是B型主动脉夹层)时,不会错误认为有真腔部分,即该模型可以用于接下来的分类操作。
该部分的主要思路是建立一个分类器,对升、降主动脉部分进行 A型和B型的分类。分类器是在分割的基础上改进的,使用分割训练的模型对两部分主动脉进行测试,得到真假腔的dice指标和预测的真假腔所占的体积,然后用概率来判断病人的主动脉夹层是A型还是 B型。下面是概率部分计算:
在前面得到了A段主动脉包含真腔的概率是PdiceA1,A段包含假腔的概率是PdiceA2,A段主动脉真腔的体积是NumA1,A段主动脉假腔的体积是NumA2,C段包含真腔的概率是PdiceC1,C段包含假腔的概率是PdiceC2,C段主动脉真腔的体积是NumC1,C段主动脉假腔的体积是NumC2。
利用如上的数据,可以用如下表达式分别计算主动脉夹层分别是 A型或B型的概率:
分类器通过对计算得到的主动脉夹层是A型的概率和B型的概率分别进行评估,然后输出对该主动脉类型的判断。
实施例2:
如图6所示,本发明还提供一种主动脉夹层疾病分型装置,包括:
获取模块,用于获取主动脉夹层疾病患者的CT图像数据;
分割模块,用于根据所述CT图像数据进行主动脉夹层真假腔分割,得到主动脉;
提取模块,用于对所述主动脉提取主动脉中心线;
分段模块,用于根据所述主动脉中心线对主动脉进行分段操作,得到升主动脉部分、主动脉弓部分和降主动脉部分;
分类模块,用于基于Stanford分型依据对升主动脉部分、主动脉弓部分和降主动脉部分进行A型和B型的分类。
作为本实施例的一种实施方式,分割模块采用多任务级联策略进行主动脉夹层真假腔分割,并且通过基于注意力机制共享网络参数来实现任务之间的连接。
作为本实施例的一种实施方式,提取模块采用基于中心点序列进行主动脉中心线提取。
作为本实施例的一种实施方式,分段模块采用基于主动脉的离散点曲率对主动脉进行分段操作。
实施例3:
本发明还提供一种存储介质,其存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行主动脉夹层疾病分型方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种主动脉夹层疾病分型方法,其特征在于,包括以下步骤:
步骤S1、获取主动脉夹层疾病患者的CT图像数据;
步骤S2、根据所述CT图像数据进行主动脉夹层真假腔分割,得到主动脉;
步骤S3、对所述主动脉提取主动脉中心线;
步骤S4、根据所述主动脉中心线对主动脉进行分段操作,得到升主动脉部分、主动脉弓部分和降主动脉部分;
步骤S5、基于Stanford分型依据对升主动脉部分、主动脉弓部分和降主动脉部分进行A型和B型的分类。
2.如权利要求1所述的主动脉夹层疾病分型方法,其特征在于,步骤S2中采用多任务级联策略进行主动脉夹层真假腔分割,并且通过基于注意力机制共享网络参数来实现任务之间的连接。
3.如权利要求2所述的主动脉夹层疾病分型方法,其特征在于,步骤S3中首先寻找主动脉的边界点,然后利用离散的横截面与主动脉的交点来寻找中心点,最后提取主动脉的中心线。
4.如权利要求3所述的主动脉夹层疾病分型方法,其特征在于,步骤S4中基于主动脉的离散点曲率对主动脉进行分段操作。
5.如权利要求4所述的主动脉夹层疾病分型方法,其特征在于,步骤S5中使用真假腔分割训练得到的模型建立分类器,对升、降主动脉部分进行测试,得到真假腔的dice指标和预测的真假腔所占的体积,然后采用概率来判断病人的主动脉夹层是A型还是B型;设A段主动脉包含真腔的概率是PdiceA1,A段包含假腔的概率是PdiceA2,A段主动脉真腔的体积是NumA1,A段主动脉假腔的体积是NumA2,C段包含真腔的概率是PdiceC1,C段包含假腔的概率是PdiceC2,C段主动脉真腔的体积是NumC1,C段主动脉假腔的体积是NumC2;
通过如下公式分别计算主动脉夹层分别是A型或B型的概率:
采用分类器通过对计算得到的主动脉夹层是A型的概率和B型的概率分别进行评估,然后输出对该主动脉类型的判断。
6.一种主动脉夹层疾病分型装置,其特征在于,包括:
获取模块,用于获取主动脉夹层疾病患者的CT图像数据;
分割模块,用于根据所述CT图像数据进行主动脉夹层真假腔分割,得到主动脉;
提取模块,用于对所述主动脉提取主动脉中心线;
分段模块,用于根据所述主动脉中心线对主动脉进行分段操作,得到升主动脉部分、主动脉弓部分和降主动脉部分;
分类模块,用于基于Stanford分型依据对升主动脉部分、主动脉弓部分和降主动脉部分进行A型和B型的分类。
7.如权利要求6所述的主动脉夹层疾病分型装置,其特征在于,分割模块采用多任务级联策略进行主动脉夹层真假腔分割,并且通过基于注意力机制共享网络参数来实现任务之间的连接。
8.如权利要求7所述的主动脉夹层疾病分型装置,其特征在于,提取模块采用基于中心点序列进行主动脉中心线提取。
9.如权利要求8所述的主动脉夹层疾病分型装置,其特征在于,步骤S4中基于主动脉的离散点曲率对主动脉进行分段操作。
10.一种存储介质,其特征在于,其存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行权利要求1~5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009427.2A CN114332072A (zh) | 2022-01-05 | 2022-01-05 | 一种主动脉夹层疾病分型方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009427.2A CN114332072A (zh) | 2022-01-05 | 2022-01-05 | 一种主动脉夹层疾病分型方法和装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332072A true CN114332072A (zh) | 2022-04-12 |
Family
ID=81024333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210009427.2A Pending CN114332072A (zh) | 2022-01-05 | 2022-01-05 | 一种主动脉夹层疾病分型方法和装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332072A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782353A (zh) * | 2022-04-15 | 2022-07-22 | 沈阳东软智能医疗科技研究院有限公司 | 一种对cta图像进行分类的方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100239148A1 (en) * | 2009-03-18 | 2010-09-23 | Siemens Corporation | Method and System for Automatic Aorta Segmentation |
CN109035255A (zh) * | 2018-06-27 | 2018-12-18 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
CN110796670A (zh) * | 2019-10-30 | 2020-02-14 | 北京理工大学 | 一种夹层动脉分割方法及装置 |
CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
-
2022
- 2022-01-05 CN CN202210009427.2A patent/CN114332072A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100239148A1 (en) * | 2009-03-18 | 2010-09-23 | Siemens Corporation | Method and System for Automatic Aorta Segmentation |
CN109035255A (zh) * | 2018-06-27 | 2018-12-18 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
CN110796670A (zh) * | 2019-10-30 | 2020-02-14 | 北京理工大学 | 一种夹层动脉分割方法及装置 |
CN113674291A (zh) * | 2021-08-16 | 2021-11-19 | 北京理工大学 | 一种全类型主动脉夹层真假腔图像分割方法及系统 |
Non-Patent Citations (1)
Title |
---|
原小军 等: "主动脉夹层撕裂内膜走行规律在真假腔识别中的应用", CT理论与应用研究, 31 December 2018 (2018-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782353A (zh) * | 2022-04-15 | 2022-07-22 | 沈阳东软智能医疗科技研究院有限公司 | 一种对cta图像进行分类的方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192245B (zh) | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 | |
CN112529839B (zh) | 一种核磁共振图像中颈动脉血管中心线的提取方法及系统 | |
CN114926477B (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
NL2029876B1 (en) | Deep residual network-based classification system for thyroid cancer computed tomography (ct) images | |
CN109214397A (zh) | 一种肺部ct图像中肺结节的分割方法 | |
CN111161287A (zh) | 基于对称双向级联网络深度学习的视网膜血管分割方法 | |
CN111429407A (zh) | 基于双通道分离网络的胸部x光疾病检测装置及方法 | |
CN108765374A (zh) | 一种宫颈涂片图像中异常核区域筛查的方法 | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及系统 | |
Chen et al. | Cell localization and counting using direction field map | |
CN115471701A (zh) | 基于深度学习和迁移学习的肺腺癌组织学亚型分类方法 | |
Dou et al. | Automatic lesion detection with three-dimensional convolutional neural networks | |
CN114332072A (zh) | 一种主动脉夹层疾病分型方法和装置、存储介质 | |
Pham et al. | Chest x-rays abnormalities localization and classification using an ensemble framework of deep convolutional neural networks | |
Saikumar et al. | A Deep Convolutional Neural Network-Based Heart Diagnosis for Smart Healthcare Applications | |
CN115115570A (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
Asma-Ull et al. | Regression to Classification: Ordinal prediction of calcified vessels using customized ResNet50 | |
Sri et al. | Detection Of MRI Brain Tumor Using Customized Deep Learning Method Via Web App | |
Zheng | Deep learning for robust segmentation and explainable analysis of 3d and dynamic cardiac images | |
Monisha Birlin et al. | Comparison of Various Segmentation Techniques in Diabetic Retinopathy-A Review | |
Wu et al. | Mscan: Multi-scale channel attention for fundus retinal vessel segmentation | |
Song et al. | Segmentation of aorta with aortic dissection based on centerline and boundary distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |