基于深度学习的血管内光学相干层析图像轮廓分割

汤俊杰 黄晨曦 郝泳涛

摘要：心血管疾病是世界上造成死亡率最高的疾病之一，针对心血管疾病的诊疗已经成为重点关注的问题。光学相干层析图像作为血管介入式影像，以其高分辨率正成为检测血管内狭窄的重要手段。传统医生主要通过对血管腔的手工分割来分析血管狭窄的严重性，耗时耗力。本文使用深度学习对血管內光学相干层析图像轮廓进行自动分割。实验总数据量为800张图片，其中400张为训练集，利用数据增广方式进行扩充，最终在400张图片上进行测试，得到了很高的戴斯相似系数和准确率，证明使用深度学习框架对血管内光学相干层析图像进行分割是有效的，能够减轻临床医生的工作量。

关键词：深度学习;光学相干层析图像;轮廓分割;心血管疾病

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2019）33-0199-02

1概述

随着人们生活方式的改变以及环境的变化，心血管疾病已成为造成人类死亡最大的原因。2004年心血管疾病在全世界范围内造成了1700万人死亡，约占该年总死亡人数的30%。值得一提的是，心血管疾病正在低收入和中等收人的国家中流行，由于这些国家较差的医疗环境与对该疾病的预防和认知不够，导致死亡率不断上升。有研究指出，心血管疾病的流行还会对经济的发展做出影响，一些国家如中国，俄罗斯在未来十年内因心血管疾病造成的经济损失最多将达到5000亿美元之多。

光学相干断层成像技术是利用近红外光在血管内显示相关组织结构的无辐射，高分辨率，高探测灵敏特性的成像技术。OCT可以对生物组织内膜进行高分辨率横剖面层析图像，并提供较血管内超声高十倍的分辨率，因此也被称为光学活检。美国哈佛医学院的Jang教授在2002年发表了第一篇临床上对冠状动脉光学相干层析图像的报道，并与血管超声中支架间的组织脱落成像进行了对比。近年来OC了成像技术在心血管领域取得了较快的发展。在第一代时域OCT（Time domainOCT，TD-OCT）系统的基础上，科学家研发出通过改变光线频率而获得不同深度组织成像的扫描速度较快的频域OCT（frequency domain OCT，FD-OCT）系统。OCT成像系统包括波长为130nm的近红外光源，分光器，参考臂，探测器，数字处理器组成。通过分光器将光源发出的光分为样本光束和参照光束，采用距离相同的参照光束与样本光束反射波相遇后产生的光学相干现象，并经过数字处理器处理成信号后得到血管内光学相干层析图像。

血管腔轮廓面积大小的定量描述，依赖于血管腔轮廓的准确分割。传统的人工分割方法费时费力，血管腔轮廓的自动分割变得十分有意义。Kauffmann等人提出从粗到精的轮廓提取算法。Tung等人首先用几何学算法确定了伪影出现的区域并去除，随后结合期望最大化算法和图像分割算法进行管腔的分割。Wang等人提出了基于动态规划的轮廓分割算法.本文拟使用基于U-Net的深度学习网络对光学相干断层图像进行血管腔轮廓的分割，并比较不同U-Net网络对血管腔轮廓的分割效果。

2实验方法

U-Net网络是一类常用于医学图像分割的全卷积神经网络，可以接受任意尺寸图像大小的输入。我们使用不同层数的U-Net网络（U-NetA，U-Net C）作为所提出的用于分割血管腔轮廓的网络结构。U-Net网络简单地将下采样阶段中编码器的特征图拼接到上采样阶段的特征图以形成梯形网络结构来获取更丰富的特征。

损失函数是用来评价深度学习网络中输出结果的预测值与手工标注金标准之间的差异函数。通过损失函数计算输出深度学习网络预测值与真值之间的差别，来判断网络参数的好坏。两者的差别越小，损失函数越趋近于0，说明该深度神经网络框架的效果越好，反之则越差。

3实验结果

实验平台的硬件配置采用Intel（R）Xeon（R）CPU E5-2620，主频为2.1GHz，搭配32G内存，GPU采用NVIDIA TITANX显卡用以加速卷积神经网络运算，显存为12G，核心频率为1417MHz，单精度浮点运算能力为11Tflops。实验中的U-Net网络框架的搭建采用Keras。实验数据采集自同济大学附属东方医院心内科。实验挑选800张经过专家标注过的图片作为实验数据。在训练时挑选其中400张图片作为训练集。

在医学图像的分割中，常用的评价分割好坏标准的参数有：戴斯相似性系数，杰卡德相似系数，准确率，召回率，特异性。

通过对不同层数U-Net网络的分割结果比较，我们发现U-Net对血管腔轮廓的分割结果是有效的，且分割出的轮廓较为平滑，也没有受到血管腔內血栓的影响。

4结束语

本文我们提出了使用不同层数的U-Net的深度学习框架来分割IVOCT血管腔轮廓。实验表明U-Net网络对于分割IVOCT血管腔轮廓是有效的。我们相信这项工作也可以用在其他医学图像分割的任务上。未来我们将尝试增加注意力机制，进一步提高分割的精度，实现分割的全自动化。