基于深度學習的血管內光學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，針對心血管疾病的診療已經成為重點關注的問題。光學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血管內狹窄的重要手段。傳統醫生主要通過對血管腔的手工分割來分析血管狹窄的嚴重性，耗時耗力。本文使用深度學習對血管內光學相干層析圖像輪廓進行自動分割。實驗總數據量為800張圖片，其中400張為訓練集，利用數據增廣方式進行擴充，最終在400張圖片上進行測試，得到了很高的戴斯相似系數和準確率，證明使用深度學習框架對血管內光學相干層析圖像進行分割是有效的，能夠減輕臨床醫生的工作量。

關鍵詞：深度學習;光學相干層析圖像;輪廓分割;心血管疾病

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2019）33-0199-02

1概述

隨著人們生活方式的改變以及環境的變化，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造成了1700萬人死亡，約占該年總死亡人數的30%。值得一提的是，心血管疾病正在低收入和中等收人的國家中流行，由于這些國家較差的醫療環境與對該疾病的預防和認知不夠，導致死亡率不斷上升。有研究指出，心血管疾病的流行還會對經濟的發展做出影響，一些國家如中國，俄羅斯在未來十年內因心血管疾病造成的經濟損失最多將達到5000億美元之多。

光學相干斷層成像技術是利用近紅外光在血管內顯示相關組織結構的無輻射，高分辨率，高探測靈敏特性的成像技術。OCT可以對生物組織內膜進行高分辨率橫剖面層析圖像，并提供較血管內超聲高十倍的分辨率，因此也被稱為光學活檢。美國哈佛醫學院的Jang教授在2002年發表了第一篇臨床上對冠狀動脈光學相干層析圖像的報道，并與血管超聲中支架間的組織脫落成像進行了對比。近年來OC了成像技術在心血管領域取得了較快的發展。在第一代時域OCT（Time domainOCT，TD-OCT）系統的基礎上，科學家研發出通過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，FD-OCT）系統。OCT成像系統包括波長為130nm的近紅外光源，分光器，參考臂，探測器，數字處理器組成。通過分光器將光源發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生的光學相干現象，并經過數字處理器處理成信號后得到血管內光學相干層析圖像。

血管腔輪廓面積大小的定量描述，依賴于血管腔輪廓的準確分割。傳統的人工分割方法費時費力，血管腔輪廓的自動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等人首先用幾何學算法確定了偽影出現的區域并去除，隨后結合期望最大化算法和圖像分割算法進行管腔的分割。Wang等人提出了基于動態規劃的輪廓分割算法.本文擬使用基于U-Net的深度學習網絡對光學相干斷層圖像進行血管腔輪廓的分割，并比較不同U-Net網絡對血管腔輪廓的分割效果。

2實驗方法

U-Net網絡是一類常用于醫學圖像分割的全卷積神經網絡，可以接受任意尺寸圖像大小的輸入。我們使用不同層數的U-Net網絡（U-NetA，U-Net C）作為所提出的用于分割血管腔輪廓的網絡結構。U-Net網絡簡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絡結構來獲取更豐富的特征。

損失函數是用來評價深度學習網絡中輸出結果的預測值與手工標注金標準之間的差異函數。通過損失函數計算輸出深度學習網絡預測值與真值之間的差別，來判斷網絡參數的好壞。兩者的差別越小，損失函數越趨近于0，說明該深度神經網絡框架的效果越好，反之則越差。

3實驗結果

實驗平臺的硬件配置采用Intel（R）Xeon（R）CPU E5-2620，主頻為2.1GHz，搭配32G內存，GPU采用NVIDIA TITANX顯卡用以加速卷積神經網絡運算，顯存為12G，核心頻率為1417MHz，單精度浮點運算能力為11Tflops。實驗中的U-Net網絡框架的搭建采用Keras。實驗數據采集自同濟大學附屬東方醫院心內科。實驗挑選800張經過專家標注過的圖片作為實驗數據。在訓練時挑選其中400張圖片作為訓練集。

在醫學圖像的分割中，常用的評價分割好壞標準的參數有：戴斯相似性系數，杰卡德相似系數，準確率，召回率，特異性。

通過對不同層數U-Net網絡的分割結果比較，我們發現U-Net對血管腔輪廓的分割結果是有效的，且分割出的輪廓較為平滑，也沒有受到血管腔內血栓的影響。

4結束語

本文我們提出了使用不同層數的U-Net的深度學習框架來分割IVOCT血管腔輪廓。實驗表明U-Net網絡對于分割IVOCT血管腔輪廓是有效的。我們相信這項工作也可以用在其他醫學圖像分割的任務上。未來我們將嘗試增加注意力機制，進一步提高分割的精度，實現分割的全自動化。