基于深度學(xué)習(xí)的血管內(nèi)光學(xué)相干層析圖像輪廓分割

湯俊杰 黃晨曦 郝泳濤

摘要：心血管疾病是世界上造成死亡率最高的疾病之一，針對(duì)心血管疾病的診療已經(jīng)成為重點(diǎn)關(guān)注的問(wèn)題。光學(xué)相干層析圖像作為血管介入式影像，以其高分辨率正成為檢測(cè)血管內(nèi)狹窄的重要手段。傳統(tǒng)醫(yī)生主要通過(guò)對(duì)血管腔的手工分割來(lái)分析血管狹窄的嚴(yán)重性，耗時(shí)耗力。本文使用深度學(xué)習(xí)對(duì)血管內(nèi)光學(xué)相干層析圖像輪廓進(jìn)行自動(dòng)分割。實(shí)驗(yàn)總數(shù)據(jù)量為800張圖片，其中400張為訓(xùn)練集，利用數(shù)據(jù)增廣方式進(jìn)行擴(kuò)充，最終在400張圖片上進(jìn)行測(cè)試，得到了很高的戴斯相似系數(shù)和準(zhǔn)確率，證明使用深度學(xué)習(xí)框架對(duì)血管內(nèi)光學(xué)相干層析圖像進(jìn)行分割是有效的，能夠減輕臨床醫(yī)生的工作量。

關(guān)鍵詞：深度學(xué)習(xí);光學(xué)相干層析圖像;輪廓分割;心血管疾病

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）33-0199-02

1概述

隨著人們生活方式的改變以及環(huán)境的變化，心血管疾病已成為造成人類死亡最大的原因。2004年心血管疾病在全世界范圍內(nèi)造成了1700萬(wàn)人死亡，約占該年總死亡人數(shù)的30%。值得一提的是，心血管疾病正在低收入和中等收人的國(guó)家中流行，由于這些國(guó)家較差的醫(yī)療環(huán)境與對(duì)該疾病的預(yù)防和認(rèn)知不夠，導(dǎo)致死亡率不斷上升。有研究指出，心血管疾病的流行還會(huì)對(duì)經(jīng)濟(jì)的發(fā)展做出影響，一些國(guó)家如中國(guó)，俄羅斯在未來(lái)十年內(nèi)因心血管疾病造成的經(jīng)濟(jì)損失最多將達(dá)到5000億美元之多。

光學(xué)相干斷層成像技術(shù)是利用近紅外光在血管內(nèi)顯示相關(guān)組織結(jié)構(gòu)的無(wú)輻射，高分辨率，高探測(cè)靈敏特性的成像技術(shù)。OCT可以對(duì)生物組織內(nèi)膜進(jìn)行高分辨率橫剖面層析圖像，并提供較血管內(nèi)超聲高十倍的分辨率，因此也被稱為光學(xué)活檢。美國(guó)哈佛醫(yī)學(xué)院的Jang教授在2002年發(fā)表了第一篇臨床上對(duì)冠狀動(dòng)脈光學(xué)相干層析圖像的報(bào)道，并與血管超聲中支架間的組織脫落成像進(jìn)行了對(duì)比。近年來(lái)OC了成像技術(shù)在心血管領(lǐng)域取得了較快的發(fā)展。在第一代時(shí)域OCT（Time domainOCT，TD-OCT）系統(tǒng)的基礎(chǔ)上，科學(xué)家研發(fā)出通過(guò)改變光線頻率而獲得不同深度組織成像的掃描速度較快的頻域OCT（frequency domain OCT，F(xiàn)D-OCT）系統(tǒng)。OCT成像系統(tǒng)包括波長(zhǎng)為130nm的近紅外光源，分光器，參考臂，探測(cè)器，數(shù)字處理器組成。通過(guò)分光器將光源發(fā)出的光分為樣本光束和參照光束，采用距離相同的參照光束與樣本光束反射波相遇后產(chǎn)生的光學(xué)相干現(xiàn)象，并經(jīng)過(guò)數(shù)字處理器處理成信號(hào)后得到血管內(nèi)光學(xué)相干層析圖像。

血管腔輪廓面積大小的定量描述，依賴于血管腔輪廓的準(zhǔn)確分割。傳統(tǒng)的人工分割方法費(fèi)時(shí)費(fèi)力，血管腔輪廓的自動(dòng)分割變得十分有意義。Kauffmann等人提出從粗到精的輪廓提取算法。Tung等人首先用幾何學(xué)算法確定了偽影出現(xiàn)的區(qū)域并去除，隨后結(jié)合期望最大化算法和圖像分割算法進(jìn)行管腔的分割。Wang等人提出了基于動(dòng)態(tài)規(guī)劃的輪廓分割算法.本文擬使用基于U-Net的深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)光學(xué)相干斷層圖像進(jìn)行血管腔輪廓的分割，并比較不同U-Net網(wǎng)絡(luò)對(duì)血管腔輪廓的分割效果。

2實(shí)驗(yàn)方法

U-Net網(wǎng)絡(luò)是一類常用于醫(yī)學(xué)圖像分割的全卷積神經(jīng)網(wǎng)絡(luò)，可以接受任意尺寸圖像大小的輸入。我們使用不同層數(shù)的U-Net網(wǎng)絡(luò)（U-NetA，U-Net C）作為所提出的用于分割血管腔輪廓的網(wǎng)絡(luò)結(jié)構(gòu)。U-Net網(wǎng)絡(luò)簡(jiǎn)單地將下采樣階段中編碼器的特征圖拼接到上采樣階段的特征圖以形成梯形網(wǎng)絡(luò)結(jié)構(gòu)來(lái)獲取更豐富的特征。

損失函數(shù)是用來(lái)評(píng)價(jià)深度學(xué)習(xí)網(wǎng)絡(luò)中輸出結(jié)果的預(yù)測(cè)值與手工標(biāo)注金標(biāo)準(zhǔn)之間的差異函數(shù)。通過(guò)損失函數(shù)計(jì)算輸出深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測(cè)值與真值之間的差別，來(lái)判斷網(wǎng)絡(luò)參數(shù)的好壞。兩者的差別越小，損失函數(shù)越趨近于0，說(shuō)明該深度神經(jīng)網(wǎng)絡(luò)框架的效果越好，反之則越差。

3實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)平臺(tái)的硬件配置采用Intel（R）Xeon（R）CPU E5-2620，主頻為2.1GHz，搭配32G內(nèi)存，GPU采用NVIDIA TITANX顯卡用以加速卷積神經(jīng)網(wǎng)絡(luò)運(yùn)算，顯存為12G，核心頻率為1417MHz，單精度浮點(diǎn)運(yùn)算能力為11Tflops。實(shí)驗(yàn)中的U-Net網(wǎng)絡(luò)框架的搭建采用Keras。實(shí)驗(yàn)數(shù)據(jù)采集自同濟(jì)大學(xué)附屬東方醫(yī)院心內(nèi)科。實(shí)驗(yàn)挑選800張經(jīng)過(guò)專家標(biāo)注過(guò)的圖片作為實(shí)驗(yàn)數(shù)據(jù)。在訓(xùn)練時(shí)挑選其中400張圖片作為訓(xùn)練集。

在醫(yī)學(xué)圖像的分割中，常用的評(píng)價(jià)分割好壞標(biāo)準(zhǔn)的參數(shù)有：戴斯相似性系數(shù)，杰卡德相似系數(shù)，準(zhǔn)確率，召回率，特異性。

通過(guò)對(duì)不同層數(shù)U-Net網(wǎng)絡(luò)的分割結(jié)果比較，我們發(fā)現(xiàn)U-Net對(duì)血管腔輪廓的分割結(jié)果是有效的，且分割出的輪廓較為平滑，也沒(méi)有受到血管腔內(nèi)血栓的影響。

4結(jié)束語(yǔ)

本文我們提出了使用不同層數(shù)的U-Net的深度學(xué)習(xí)框架來(lái)分割I(lǐng)VOCT血管腔輪廓。實(shí)驗(yàn)表明U-Net網(wǎng)絡(luò)對(duì)于分割I(lǐng)VOCT血管腔輪廓是有效的。我們相信這項(xiàng)工作也可以用在其他醫(yī)學(xué)圖像分割的任務(wù)上。未來(lái)我們將嘗試增加注意力機(jī)制，進(jìn)一步提高分割的精度，實(shí)現(xiàn)分割的全自動(dòng)化。