摘要
多份医学报告指出近20年来心血管疾病是危害人民生命安全的重大疾病之一，因此心血管疾病的预防与治疗水平与人民生活质量息息相关。冠脉造影图像（CoronaryX-rayAngiographyImage）是分析、诊断冠脉相关疾病的重要依据，从冠脉造影图像提取血管树的结果影响着后续多项分析与诊断的流程。人工提取血管树耗时耗力，无法满足临床上快速而又准确的要求，因此需要全自动的血管分割方法。本文主要就基于深度学习的冠脉造影图像分割方法进行了研究。 本文所提出的深度学习模型主要可以归纳为两个方向，（1）造影图像往往包含噪声并且对比度较低，导致血管边界模糊、人工标注存在误差等问题，这会影响一般的像素级分割模型的归纳偏好。因此本文提出了基于中心线多任务学习的分割模型，该模型为针对单帧图像的端到端分割网络，在以UNet为主干的基础下增加了注意力跳跃结构与中心线多任务学习模块，注意力跳跃结构可以更加有效地传递浅层特征，另外模型可以通过学习中心线标签来提升分割主任务的表现，通过消融实验与对比实验验证了模型的有效性，相较于基线模型dice系数提升1.07，灵敏度提升1.81，说明了跳跃注意力模块与多任务学习是有效的。（2）冠脉造影图像序列可以提供类似于视频的上下文信息，丰富的上下文信息可以减轻图像噪声、造影剂流动与组织伪影等问题的影响。因此本文提出了X型网络采用双网络架构提取序列特征融合到帧分割网络中，其中3D-XNet采用配准预处理模块、三维卷积编码器与基于通道相似性特征融合模块等组成序列网络，可以有效地提取与融合序列上下文信息。更进一步的，为了减小3D-XNet的时间、空间花费实现模型的改进，本文提出M2D-XNet采用参数共享编码器、特征移动模块和上下文混合操作组成上下文编码器达到更好的序列特征抽取效果，在定量和定性评估中，两个模型表现出了优异的性能并且可以较好地分割整个血管的主干，其中AUC指标达到98.56，dice系数达到85.64，说明了融合序列上下文信息有助于分割当前帧图像。 在本文最后对于本文所做工作进行了总结概括，并且结合深度学习知识对冠脉血管造影图像分割的未来工作进行了展望分析。
NETL