CN114343693A

CN114343693A - 一种主动脉夹层诊断方法和装置

Info

Publication number: CN114343693A
Application number: CN202210010631.6A
Authority: CN
Inventors: 柴森春; 赵鑫; 王昭洋; 崔灵果; 张百海; 姚分喜
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2022-01-05
Filing date: 2022-01-05
Publication date: 2022-04-15

Abstract

本发明公开一种主动脉夹层诊断方法和装置，对CTA图像和CT平扫图像进行配准，得到病人的主动脉CT平扫图像数据集和与之对应的主动脉CTA图像数据集；对主动脉CTA图像数据集进行主动脉血管中心线提取；对CT平扫图像数据集进行主动脉血管中心线提取；根据CT平扫图像中心线提取结果进行训练，得到基于CT平扫图像的主动脉血管中心线提取模型；根据主动脉血管中心线提取模型对病人的CT平扫图像进行主动脉血管中心线提取；同时根据病人的提取结果和对应的病人标签，对病人进行主动脉夹层辅助诊断。采用本发明的技术方案，解决无法实现基于平扫CT图像提取血管中心线诊断主动脉夹层的问题。

Description

一种主动脉夹层诊断方法和装置

技术领域

本发明属于医学影像诊断技术领域，特别是涉及一种基于平扫CT图像血管中心线的主动脉夹层诊断方法和装置。

背景技术

主动脉是心脏泵血输出到全身的主要路径，对人体血液循环具有至关重要的作用。主动脉血管分为内、中、外膜三层，发生主动脉夹层时，血管内膜撕裂，血液从撕裂口进入中膜，形成与原主动脉管道不同的另一管道，即真假两腔。夹层发生后，巨大的血流量和压力会很快导致主动脉内膜的破裂，进而导致患者死亡，因此主动脉夹层是一种急性的高危心血管疾病。由于基层医院医疗条件有限，而且该病发病时有多种症状，在我国该病存在大量误诊致死的情况。因此，如何准确诊疗主动脉夹层是医学领域的重要课题。

当前最主要的主动脉夹层辅助诊疗手段是CT血管造影(CTA)，但这种成像方式费用高、耗时长、数据量大，诊断效率低。另一方面，一些病人因为身体条件(如肝肾功能衰竭、对造影剂过敏等)不能做CTA，而且大量的一、二级医院没有做CTA的医疗设备和条件，只能基于平扫CT图像数据进行分析。目前，医生根据平扫CT图像诊断主动脉夹层的准确性仍然有限。

主动脉血管中心线是主动脉血管的重要特征，是对于医生判断主动脉是否病变、病变程度和病变位置十分重要的临床参考。但在实际应用中，受到主观因素的影响与制约，医生不能高效而精准地提取出主动脉血管中心线，给出量化分析。因此如何准确提取主动脉血管中心线，并利用提取出的中心线辅助诊疗是亟待解决的问题。当前，中心线提取的方法主要分为基于拓扑细化的方法、基于跟踪的方法和基于最小路径的方法。基于拓扑细化的提取算法主要是对提取目标的拓扑结构进行细化。在满足提取目标拓扑条件的前提下逐步去除提取目标周围的多余点，最终获得提取目标的骨架，也就是中心线。拓扑细化算法精度较高，但是当提取目标较大时耗时很长，因此不适用于主动脉血管这种较大目标的中心线提取。基于跟踪的提取算法主要是利用以局部图像信息为依据，确定中心线点，再根据该点与附近点的关系进行修正，依次迭代跟踪得出中心线上的所有点。这一算法需要提前给定中心点，不能实现全自动的中心线提取。而且这一算法只使用了局部算子，虽然计算速度快，但却不能关注到图像的整体拓扑结构，因此不适用于血管曲率较大和分叉较多的地方。基于最小代价路径的提取算法主要是在给定的起点和终点之间求解计算出一条满足最小代价的路径。这一算法运算量低，运算速度快，但有时会得到过于靠近血管边缘的结果，因此往往需要后期修正。此外该算法也依赖于目标图像的图像质量，因此最小代价路径算法虽然已经在基于CTA图像的主动脉血管中心线提取上取得较好效果，但在基于平扫CT图像的主动脉血管中心线提取上的应用仍然有限。

发明内容

针对上述现有的技术缺陷，本发明提出一种基于平扫CT图像血管中心线的主动脉夹层诊断方法和装置，旨在解决现有技术无法实现基于平扫CT图像提取血管中心线诊断主动脉夹层的问题。

为实现上述目的，本发明采用如下的技术方案：

一种主动脉夹层诊断方法，包括以下步骤：

步骤S1、对CTA图像和CT平扫图像进行配准，得到病人的主动脉CT平扫图像数据集和与之对应的主动脉CTA图像数据集；

步骤S2、对所述主动脉CTA图像数据集进行主动脉血管中心线提取；

步骤S3、根据CTA图像中心线提取结果，对CT平扫图像数据集进行主动脉血管中心线提取；

步骤S4、根据CT平扫图像中心线提取结果进行训练，得到基于CT平扫图像的主动脉血管中心线提取模型；

步骤S5、根据主动脉血管中心线提取模型对病人的CT平扫图像进行主动脉血管中心线提取；同时根据病人的提取结果和对应的病人标签，对病人进行主动脉夹层辅助诊断。

作为优选，步骤S1中通过3D U-Net网络进行图像配准。

作为优选，步骤S2中采用基于最小代价路径算法对所述主动脉CTA图像数据集进行主动脉血管中心线提取。

作为优选，步骤S3中采用基于豪斯多夫距离的代价函数，通过最小代价路径算法对CT平扫图像数据集进行主动脉血管中心线提取。

作为优选，步骤S4中以CT平扫图像中心线提取结果为金标准，进行基于卷积神经网络的有监督训练，得到基于CT平扫图像的主动脉血管中心线提取模型。

作为优选，步骤S5采用基于自注意力机制的transformer二分类模型，判断病人的主动脉血管中心线是否异常来诊断病人是否患有主动脉夹层。

本发明还提供一种主动脉夹层诊断装置，包括：

配准模块，用于对CTA图像和CT平扫图像进行配准，得到病人的主动脉CT平扫图像数据集和与之对应的主动脉CTA图像数据集；

第一提取模块，用于对所述主动脉CTA图像数据集进行主动脉血管中心线提取；

第二提取模块，用于根据CTA图像中心线提取结果，对CT平扫图像数据集进行主动脉血管中心线提取；

训练模块，用于根据CT平扫图像中心线提取结果进行训练，得到基于CT平扫图像的主动脉血管中心线提取模型；

诊断模块，用于根据主动脉血管中心线提取模型对病人的CT平扫图像进行主动脉血管中心线提取；同时根据病人的提取结果和对应的病人标签，对病人进行主动脉夹层辅助诊断。

作为优选，第二提取模块采用基于豪斯多夫距离的代价函数，通过最小代价路径算法对CT平扫图像数据集进行主动脉血管中心线提取。

作为优选，训练模块以CT平扫图像中心线提取结果为金标准，对3D U-Net神经网络进行有监督训练，得到基于CT平扫图像的主动脉血管中心线提取模型。

作为优选，诊断模块，利用主动脉血管边界和中心线的相对位置关系来判断中心线是否异常，进而诊断病人是否患有主动脉夹层。

由于最小代价路径算法在基于平扫CT图像的中心线提取上表现不佳，本发明首先对平扫CT图像同源的CTA图像进行中心线提取，再以该提取结果为依据，对平扫CT图像的中心线粗提取结果进行修正，得到完全基于机器而不依赖于人工标注的平扫CT图像中心线提取金标准。在此基础上，采用卷积神经网络对平扫CT图像及其中心线粗提取结果进行有监督训练，得到基于平扫CT图像的中心线提取修正模型。能够准确提取中心线后，考虑到主动脉夹层中假腔的存在会影响到主动脉血管中心线的提取结果，即产生异常偏离。因此本发明采用基于自注意力机制的transformer得到二分类模型，以提取结果是否异常为判断依据来诊断病人是否患有主动脉夹层这一疾病，进而辅助医生诊断。

附图说明

图1为3D U-Net网络结构；

图2为CT平扫图像和CTA图像配准过程；

图3为本发明主动脉夹层诊断方法的流程图；

图4为本发明主动脉夹层诊断装置的结构图。

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3所示，本发明提供了一种基于平扫CT图像血管中心线的主动脉夹层诊断方法，包括以下步骤：

步骤一：基于3D U-Net网络的主动脉多模态图像配准

本步骤将对平扫和造影剂增强两种不同模态的CT图像进行配准。在此步骤中，首先通过医疗影像设备获取原始的图像数据信息，转换为医学领域标准的DICOM格式，即每个病人的主动脉CT平扫图像和主动脉CT血管造影图像。以下称主动脉平扫CT图像为CT平扫图像，主动脉CT血管造影图像为CTA图像。

在获得原始CT平扫图像和CTA图像后，应对图像进行预处理，得到预处理后图像数据。在此对CTA图像和CT平扫图像进行完全相同的预处理。由于医学影像的一大特点是数据数量相对较少而且部分数据相似度高，所以首先要对图像做随机水平和垂直旋转等操作，以避免后续训练中出现模型的过拟合。同时应当对CT切片做归一化，将图像统一为相同的大小。这一大小应取决于具体的CT成像设备。在对图像做预处理时，应用到如下标准化公式：

其中，μ是均值，σ是方差，b为偏移量，g为缩放系数。除此之外，考虑到图像的产生和传输过程中不可避免地会受到噪声干扰，因此还应采取噪声抑制措施。本发明采用维纳滤波算法实现自适应滤波，达到消除噪声的目的。另一方面，考虑到CT平扫图像中主动脉血管和周围心脏器官的对比度较低，所以在预处理中还将HU值过高(如骨骼)或过低(如心脏)的体素的HU值强制转换为零。这里的体素阈值应根据CT设备的不同来设置，一般正阈值可设为150HU，负阈值可设置为-150HU。在CTA图像中也要做相同的操作。这可以使得图像中血管的边缘部分更加明显，并且弱化骨骼和心脏器官的边缘，避免中心线提取受到干扰。

由于CTA图像需要在成像过程中注射造影剂，因此会导致CTA图像与CT平扫图像的亮度、对比度、分辨率等之间存在差异。同时，成像时的条件，例如CT拍摄时间、CT成像参数、设备摄像位置和角度等也会导致CT平扫图像和CTA图像的成像差异。另一方面，两次成像间病人自身身体情况发生的改变或者因为病理引起的图像扭曲等都会导致CTA图像和CT平扫图像间不能一一对应。本发明采用基于3D U-Net的CT图像配准方法对CTA图像和CT平扫图像进行配准。配准过程中以CT平扫图像为参考图像，CTA图像为浮动图像。配准过程中的卷积神经网络为3D U-Net。图1展示了3D U-Net的网络结构，与标准U-Net相同，它具有左侧的编码部分和右侧的解码部分。整个配准过程如图2所示。

3D U-Net要优化的目标函数包括两项，一项是基于参考图像和浮动图像间差异的损失函数，另一项则主要用于防止参数过拟合以及限制配准变换位移量。其中损失函数通常基于配准问题中对于两图像相似性程度度量标准的负值，另一项则需要根据实际的CT设备来选择。目标函数如下：

G(φ，F，W)＝λL(φ)+D(F，W)

其中，φ表示配准位移场，λ表示正则化参数，F表示参考图像，W表示配准图像。D(F，W)是基于参考图像和浮动图像间差异的损失函数，L(φ)表示用于防止参数过拟合以及限制配准变换位移量的正则项，G(φ，F，W)则是目标函数。

设定好目标函数后对神经网络进行训练，得到从浮动图像到参考图像的变换矩阵，完成配准。

这一过程建立起了本发明方法所需要的基本数据集，即病人的主动脉CT平扫图像数据集和与之一一对一的主动脉CTA图像数据集。

步骤二：基于最小代价路径算法的CTA主动脉血管中心线提取

对步骤一中所述的CTA图像数据集进行主动脉血管中心线提取。本步骤采用基于最小代价路径算法的提取方法对主动脉血管中心线进行提取。首先在步骤一基础上建立的CTA数据集上标注主动脉种子点，其中在升主动脉、主动脉弓和降主动脉三个位置上应各有一点。然后在上述定义的三个种子点基础上应用Dijkstras算法获得最小代价路径。这一算法是在起始种子点和终止种子点之间寻找使得累积代价最小的路径，其中累积代价被定义为：

E(C)＝∫P(C_p)C′_p|d_pθ′|

其中，P(x)表示在位置x处的代价函数值，代价函数定义如下：

其中，∈是一极小的正数，为防止P(x)值出现奇异。V(x)是血管特征值函数，其定义为：

V(x)＝max V_σ(α)，σ_min≤σ≤σ_max

其中，R_B＝α₁/α₂，

β和c是两个参数。α₁和α₂是图像中点(x，y)处海森矩阵的特征值，并且满足|α₁|≤|α₂|，α₁≈0。在给定起始种子点后，算法就可以搜索出所有具备最小代价的路径，最终回溯找到累积代价最小的路径，也即血管中心线。上述血管中心线提取均是对主动脉CTA血管进行的操作，在提取出血管中心线后，标在CT平扫图像上，作为后续CT平扫图像血管中心线提取的训练基础。同时，标记出整个数据集中主动脉夹层患者和正常人，作为后续主动脉夹层诊断模型形成的依据。

步骤三：基于CTA提取结果的CT平扫图像主动脉血管中心线提取

基于步骤二所述的CTA图像中心线提取结果，对步骤一所述的CT平扫图像数据集进行主动脉血管中心线提取。首先采用步骤二中所涉及的最小代价路径算法对CT平扫图像进行血管中心线的粗提取。但提取时的起始和终止种子点应当在步骤二提取结果的起始点和终止点基础上设置。考虑到最小代价路径算法可能会因为初始点设置的不准确，提取到偏离实际中心并偏向血管边界的曲线。因此计算步骤二中粗提取的血管中心线起始点和终止点距离血管边界图像上的欧式距离，若距离某一侧血管边界过近，则在另一侧随机选取起始点做最小代价路径算法进行提取。同时，在提取时在代价函数中增加一项，即

其中，θ表示步骤三中提取出的主动脉血管中心线，θ′表示生成的新路径，||θ-θ′||_haus为两条路径间的豪斯多夫距离。豪斯多夫距离即对称位置的最大表面距离(MaximumSymmetric Surface Distance，MSD)，可用于计算图像中任意两组点集之间的相似程度。其数学定义如下：设S(A)是空间中集合A表面元素组成的集合，则空间中任意点v到集合S(A)的最短距离为：

其中||·||表示欧几里得距离，在上述定义的基础上，MSD被定义为：

在实际应用中，豪斯多夫距离的计算往往写成以下简单形式，其中p和q分别代表金标准和算法提取结果，

和

代表对金标准和算法提取结果的距离转换。

由于CTA图像的血管边界更清晰且图像对比度更高，因此CTA图像的主动脉血管中心线提取结果更加准确且更有指导性。通过增加这一项可以保证根据CT平扫图像生成的主动脉血管中心线不过度偏离CTA图像血管中心线。经过上述步骤，最终生成CT平扫图像的主动脉血管中心线。

步骤四：训练得到基于CT平扫图像的主动脉血管中心线提取模型

以步骤三中所述的CT平扫图像中心线提取结果为金标准，进行基于卷积神经网络的有监督主动脉血管中心线提取。该网络的输入为最小代价路径算法在CT平扫图像上的粗提取结果，神经网络的架构为3D U-Net，损失函数以Dice系数和豪斯多夫距离为基础进行设计。其中，基于豪斯多夫距离的损失函数已在步骤三中介绍过了，此处仅介绍基于Dice系数的损失函数，其定义式为：

其中，ε是一个极小的平滑系数，用于防止分母为0，而且也可以防止Loss和梯度出现过陡的变化，其中I和U由输出概率图与金标准的相应矩阵相乘和相加得到，这就是基于Dice系数的损失值(Dice Loss)。本步骤采用的损失函数即为上述两者的平均：

训练网络3D U-Net已在步骤一中进行介绍，训练过程和超参数调整不再予以赘述。最终经过训练后，本发明得到基于CT平扫图像的主动脉血管中心线提取模型。应当指出，3D U-Net是医学图像处理领域常用的网络，此处也可以采取其他能够实现相同目的的神经网络。

步骤五：基于CT平扫图像中心线的主动脉夹层辅助诊断

主动脉夹层在病理上会形成主动脉血管真腔旁的假腔，假腔的边界与真腔类似，因此会干扰中心线的提取。本步骤根据这一原理，通过判断病人CT平扫图像的主动脉中心线是否异常来诊断病人是否患有主动脉夹层。首先根据前述的CT平扫图像主动脉血管中心线提取结果和对应的病人标签，采用基于自注意力机制的transformer得到二分类模型，即主动脉夹层患者的CT平扫图像为主动脉中心线异常类型，正常人的CT平扫图像为主动脉中心线正常类型。对于患有主动脉夹层的患者来说，其主动脉假腔产生的假血管边界会使得主动脉中心线提取结果产生偏移，因此将主动脉血管边界和主动脉血管中心线连线的一系列法向量作为输入，在输出端通过sigmoid函数输出分类概率。若判断为主动脉中心线异常，则病人很有可能患有主动脉夹层，从而辅助医生对主动脉夹层进行诊疗。

本发明具有如下的技术效果：

1、本发明针对最小代价路径算法在基于CT平扫图像的主动脉血管中心线提取上表现不佳的问题，采取了如下措施：即首先在步骤二中使用最小代价路径算法对CTA主动脉血管中心线进行提取，得到相对准确而且基于计算机本身的提取结果。再在步骤三中使用该提取结果指导CT平扫图像的中心线提取，主要体现为两个方面，一是可以得到更好的起始和终止种子点供最小代价路径算法用于生成新的主动脉血管中心线，二是设置了基于豪斯多夫距离的修正机制用于防止过于偏向主动脉血管边界的点成为种子点。这种方式有效地利用了CTA图像质量更高更利于中心线提取的特点，得到了更好的CT平扫图像中心线提取结果，有利于后续通过训练得到基于CT平扫图像的主动脉血管中心线提取模型。

2、本发明针对单一的基于卷积神经网络训练的CT平扫图像中心线提取模型效果不佳的问题，以步骤三中完全基于计算机自身的平扫图像中心线提取结果为基础。这一标注结果完全避免了医生在标注时的主观性，利于卷积神经网络的收敛，减少了在不同医疗条件下实施本发明的成本。

3、根据现有技术，医生很难通过CT平扫图像直接判断主动脉是否具有真假腔从而判定病人是否患有主动脉夹层。因此步骤五中本发明通过判断主动脉血管中心线是否异常来诊断病人是否患有主动脉夹层，即采用基于自注意力机制的transformer得到二分类模型来辅助诊疗。考虑到不同病人CT平扫图像提取出的主动脉血管中心线具有特异性，因此在设计transformer输入时将主动脉血管边界和中心线的连线作为输入，即利用主动脉血管边界和中心线的相对位置关系来判断中心线是否异常。由于主动脉夹层的假腔干扰，这一相对位置关系将会因为假腔边界而产生异变，因此这种诊断方法能够比较准确地判断出病人是否患有主动脉夹层。

实施例2：

如图4所示，本发明还提供一种主动脉夹层诊断装置，包括：

作为本实施例的一种实施方式，第二提取模块采用基于豪斯多夫距离的代价函数，通过最小代价路径算法对CT平扫图像数据集进行主动脉血管中心线提取。

作为本实施例的一种实施方式，训练模块以CT平扫图像中心线提取结果为金标准，对3D U-Net神经网络进行有监督训练，得到基于CT平扫图像的主动脉血管中心线提取模型。

作为本实施例的一种实施方式，诊断模块利用主动脉血管边界和中心线的相对位置关系来判断中心线是否异常，进而诊断病人是否患有主动脉夹层。

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

1.一种主动脉夹层诊断方法，其特征在于，包括以下步骤：

2.如权利要求1所述的主动脉夹层诊断方法，其特征在于，步骤S1中通过3DU-Net网络进行图像配准。

3.如权利要求2所述的主动脉夹层诊断方法，其特征在于，步骤S2中采用基于最小代价路径算法对所述主动脉CTA图像数据集进行主动脉血管中心线提取。

4.如权利要求3所述的主动脉夹层诊断方法，其特征在于，步骤S3中采用基于豪斯多夫距离的代价函数，通过最小代价路径算法对CT平扫图像数据集进行主动脉血管中心线提取。

5.如权利要求4所述的主动脉夹层诊断方法，其特征在于，步骤S4中以CT平扫图像中心线提取结果为金标准，进行基于卷积神经网络的有监督训练，得到基于CT平扫图像的主动脉血管中心线提取模型。

6.如权利要求5所述的主动脉夹层诊断方法，其特征在于，步骤S5采用基于自注意力机制的transformer二分类模型，判断病人的主动脉血管中心线是否异常来诊断病人是否患有主动脉夹层。

7.一种主动脉夹层诊断装置，其特征在于，包括：

8.如权利要求7所述的主动脉夹层诊断装置，其特征在于，第二提取模块采用基于豪斯多夫距离的代价函数，通过最小代价路径算法对CT平扫图像数据集进行主动脉血管中心线提取。

9.如权利要求8所述的主动脉夹层诊断装置，其特征在于，训练模块以CT平扫图像中心线提取结果为金标准，对3DU-Net神经网络进行有监督训练，得到基于CT平扫图像的主动脉血管中心线提取模型。

10.如权利要求9所述的主动脉夹层诊断装置，其特征在于，诊断模块，利用主动脉血管边界和中心线的相对位置关系来判断中心线是否异常，进而诊断病人是否患有主动脉夹层。