一种基于Mask RCNN的融合几何特征的冠状动脉分割方法

邵 凯，张云峰，包芳勋，郑 勇，秦 超，张彩明

(1.山东财经大学 a.计算机科学与技术学院，b.山东省数字媒体技术重点实验室，济南 250014；2.山东大学 a.数学学院，b.计算机科学与技术学院，济南 250100)

冠心病的预防和治疗是目前临床诊断研究的重点。冠脉CT血管造影(coronary computed tomography angiograph,CCTA)是对抗冠状动脉疾病最有价值的诊断研究之一[1]。准确的CCTA图像分割是冠心病临床诊断和治疗提供可靠依据的关键。

以往的医学分割方法包括但不局限于阈值分割[2-3]、区域生长法[4]和活动轮廓模型[5]等，这些方法已有广泛的应用。然而，在CCTA图像中，感兴趣区域(region of interest，RoI)与背景区域间的灰度值不存在显著差异，并且阈值、标准的选择和初始轮廓曲线需要人工干预，这使得传统方法难以实现高精度的自动分割。

近年来，实现自动分割的方法受到了人们的关注。根据处理对象的粒度大小，分割方法可分为基于像素的方法[6-10]和基于区域的方法[11-14]。对于基于像素的方法，网络提取用于处理像素的视觉特征和语义信息来实现图像分割。SHEN et al[7]使用全卷积神经网络(fully convolutional network，FCN)学习冠状动脉的语义特征实现分割。对于较复杂的图像，RoIs的自动选择可以去除大部分的背景信息干扰，得到更好的分割结果。基于区域的方法可以通过目标检测方法自动提取RoIs，并在RoIs上进行分割。Mask RCNN[11]是一种典型的基于区域的网络，该网络在Faster RCNN[12]网络基础上扩展而来，利用残差网络[13](residual network，ResNet)和特征金字塔网络(feature pyramid network，FPN)提取图像特征，然后利用区域建议网络(region proposal network，RPN)提取RoIs，最后，并行的FCN层实现了对每个RoIs的分割。……