冠狀動(dòng)脈分割在血管解剖結(jié)構(gòu)分析、冠脈疾病臨床診斷（例如冠脈狹窄、冠脈鈣化等）、冠脈外科手術(shù)方案制定以及血流情況建模等研究中至關(guān)重要。目前冠狀動(dòng)脈分割方法主要包括主動(dòng)輪廓模型法、區(qū)域生長法、匹配濾波法、機(jī)器學(xué)習(xí)方法等,然而由于CTA圖像中冠狀動(dòng)脈與周圍組織器官（例如心臟腔室、肺動(dòng)靜脈等）的強(qiáng)度值比較接近,連同造影劑分布不均勻引起的圖像噪聲,以及心臟跳動(dòng)引起運(yùn)動(dòng)偽影等問題,導(dǎo)致精確地進(jìn)行冠脈血管分割仍然充滿挑戰(zhàn)。針對此挑戰(zhàn),本文提出了一種基于半監(jiān)督深度學(xué)習(xí)的CTA圖像冠狀動(dòng)脈分割方法,首先構(gòu)建了一種用于冠脈血管切片識別的卷積神經(jīng)網(wǎng)絡(luò),然后研究改進(jìn)的多尺度特征分解網(wǎng)絡(luò)進(jìn)行二維切片的冠狀動(dòng)脈分割,最后將二維切片中冠狀動(dòng)脈的分割結(jié)果組合起來實(shí)現(xiàn)了冠狀動(dòng)脈的三維分割。本文的研究工作可概括如下:（1）為了解決心臟內(nèi)外與冠脈結(jié)構(gòu)相似的組織器官對冠脈分割結(jié)果的影響問題,本文使用帶有注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)識別含有冠脈血管像素的切片圖像,代替了以往的心臟區(qū)域分割工作,為冠脈血管的像素級分割提供了感興趣區(qū)域。本文使用的卷積神經(jīng)網(wǎng)絡(luò)以VGG結(jié)構(gòu)為基礎(chǔ),在其卷積層后增加了注意力模塊（Convolutional ... 

【文章來源】：西北大學(xué)陜西省 211工程院校

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

Sigmoid函數(shù)圖像

第三章基于卷積神經(jīng)網(wǎng)絡(luò)的血管切片識別方法31maxValue表示歸一化范圍的最大值，這里為1，mindata為整個(gè)數(shù)據(jù)的最小值，maxdata為整個(gè)數(shù)據(jù)的最大值。（2）切片（patch）選取：本小節(jié)中的血管切片是將三維CTA數(shù)據(jù)沿Z軸方向，從XOY平面進(jìn)行切片選取，尺寸大小為6464，步長為64，即選取的切片像素之間沒有互相重疊，一張512512的圖片可以選取64張小切片，選取方式如圖20所示，其中大圖為一張完整的二維圖片，紅色的框?yàn)檫x取的小切片。圖20心臟CTA數(shù)據(jù)中取小切片每個(gè)切片中，根據(jù)已有冠狀動(dòng)脈血管標(biāo)簽判斷，若此切片中含有冠脈血管像素，則將其定義為血管切片即標(biāo)簽為1；若切片不含有冠脈血管像素則將其定義為非血管像素即標(biāo)簽為0。根據(jù)上述取切片的方法，以數(shù)據(jù)1為例（尺寸為：512512276），共獲得17664張小切片，其中血管切片為955張，非血管切片為16709張。從非血管切片中隨機(jī)選取與血管切片相同數(shù)量的切片，將兩者結(jié)合起來的1910張切片組成訓(xùn)練數(shù)據(jù)。送入分類網(wǎng)絡(luò)的切片如圖21所示。圖21切片提取結(jié)果分類實(shí)驗(yàn)過程中，選取14組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，另外的4組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集，10組數(shù)據(jù)作為測試數(shù)據(jù)集。3.3.3實(shí)驗(yàn)評價(jià)指標(biāo)分類結(jié)果的準(zhǔn)確性通常與已有的標(biāo)簽比較來進(jìn)行評估，醫(yī)學(xué)圖像分類中常使用真陽(TruePositive，TP)、真陰(TrueNegative，TN)、假陰(FalseNegative，F(xiàn)N)和假陽(False

西北大學(xué)碩士學(xué)位論文34模塊分別在通道和空間軸上對需要增強(qiáng)的信息進(jìn)行學(xué)習(xí)，使網(wǎng)絡(luò)的模型更加優(yōu)化。實(shí)驗(yàn)七、八對比了有無CBAM模塊，根據(jù)實(shí)驗(yàn)結(jié)果，最終網(wǎng)絡(luò)訓(xùn)練過程中添加了CBAM模塊。5.訓(xùn)練迭代次數(shù)（Epoch）越多，訓(xùn)練所需要的時(shí)間越長，并且訓(xùn)練出模型的測試集準(zhǔn)確率越高，然而如果將迭代次數(shù)設(shè)置過高，將會(huì)導(dǎo)致訓(xùn)練時(shí)間過長，而且驗(yàn)證集的準(zhǔn)確率可能也難以進(jìn)一步提升，如實(shí)驗(yàn)七、九、十所示。最終我們選擇150個(gè)Epoch作為實(shí)驗(yàn)的迭代次數(shù)。對于上述實(shí)驗(yàn)，將其訓(xùn)練時(shí)間繪制成折線圖，如圖22所示，橫軸表示實(shí)驗(yàn)組數(shù)，縱軸表示訓(xùn)練時(shí)間（單位：秒）：圖22訓(xùn)練時(shí)間折線圖根據(jù)圖22不同組實(shí)驗(yàn)訓(xùn)練時(shí)間圖，可以看出添加Dropout層會(huì)減少訓(xùn)練時(shí)間，添加注意力機(jī)制（CBAM模塊）和增加訓(xùn)練次數(shù)會(huì)增加訓(xùn)練時(shí)間，其它參數(shù)的調(diào)整對訓(xùn)練時(shí)間的影響不大。在本文的血管切片分類網(wǎng)絡(luò)中，學(xué)習(xí)率每隔兩個(gè)Epoch衰減0.5%，L2正則化系數(shù)為0.1，全連接層神經(jīng)元的個(gè)數(shù)為4096，迭代次數(shù)為150。實(shí)驗(yàn)中分別保存了訓(xùn)練過程和驗(yàn)證過程中隨著迭代次數(shù)增加的損失函數(shù)衰減曲線圖、準(zhǔn)確率曲線圖、靈敏度曲線圖以及特異性曲線圖，如圖23和圖24所示。損失函數(shù)（Loss）衰減圖如圖左上所示，準(zhǔn)確率（acc）曲線圖如圖右上所示，靈敏度（sen）曲線圖如圖左下所示，特異性（sep）曲線圖如圖右下所示。

【參考文獻(xiàn)】：
期刊論文
[1]醫(yī)學(xué)圖像分割方法綜述[J]. 劉宇,陳勝.  電子科技. 2017(08)

碩士論文
[1]基于主動(dòng)形狀模型的醫(yī)學(xué)圖像分割方法研究[D]. 王宇慧.西北大學(xué) 2015



本文編號：3024218