基于自适应采样与Dense机制的颅内动脉瘤血管多结构分割

摘要：

颅内动脉瘤是一种具有较高致死和致残率的常见脑血管疾病.近年来,临床对基于影像的智能化和精准化的疾病诊断策略提出了迫切需求,其中血管及病灶的精准分割是其重要基础.本文提出了一种新型的颅内动脉瘤血管多结构分割框架,利用血管先验灰度特征建立了自适应的数据采样方法,并设计了一种基于Dense机制的深度网络模型实现血管分割.本文收集了135例颅内动脉瘤患者(年龄分布:54.7±12.7岁,75名男性)的飞行时间磁共振血管影像进行模型的训练和测试.相比于原空间采样和图像压缩方法(平均Dice相似性系数:0.829和0.780),自适应采样方法可以明显提升血管分割的精度(平均Dice相似性系数:0.858);与经典的3D UNet、SegNet和DeepLabV3+网络相比(平均Dice相似性系数:0.854,0.824和0.800),基于Dense机制的网络能够利用更少的计算资源实现更优的分割效果,对于不同位置和大小的动脉瘤也表现出良好的分割鲁棒性.

关键词：颅内动脉瘤、磁共振血管造影、血管分割、深度学习、自适应采样

所属期刊栏目：37

分类号：TP183(自动化基础理论)

资助基金：北京市自然科学基金;北京市自然科学基金;国家重点研发计划

在线出版日期：2022-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：766-775