-APR2nd
基于深度学习自动
标注冠状动脉的研究
晟视分享
一、背景介绍
冠状动脉CT造影（CCTA）在冠状动脉疾病的诊断中得到了非常广泛的应用。而在计算机辅助诊断应用中，自动对冠状动脉解剖及分段，不仅能加快医师的诊断速度，还能为后续的自动处理提供必要的信息，如自动生成诊断报告、可视化感兴趣的血管段等。
目前，冠脉的自动分段命名方法主要是利用冠脉的解剖学结构进行识别的传统算法，传统算法在冠脉提取效果不好的情况下有着致命的缺陷。因此近年来深度学习的发展为冠状动脉的自动命名带来了新的突破。
二、冠状动脉的解剖结构介绍
图1.冠状动脉的解剖结构
心脏的冠状动脉主要由左冠状动脉（LCA）和右冠状动脉（RCA）组成，其中左冠有左回旋支（LCX）和左前降支（LAD）两支主要的分支，左前降支上主要有对角支（D）等分支，左回旋支上主要有钝缘支（OM）等分支；右冠上主要有锐缘支（AM）、后降支（PDA）等分支。
三、冠状动脉自动命名算法介绍
首先从CT图片中提取出冠状动脉的部分，再从冠状动脉的部分提取龙骨，获得冠状动脉的中心线数据（图2）。利用中心线上的结点索引与父子结点的关系，采用BFS算法对冠状动脉进行分段（图3）。对每一段血管，提取特征值作为输入，建立一个全连接神经网络（图4）来学习这些特征值，并对每一段血管进行分类。最终的分类结果如图5所示。
图2.冠状动脉的中心线
图3.冠状动脉自动分段
图4.全连接网络的结构示意图
图5.冠脉自动命名结果
四、算法评价
本算法相比传统算法，在中心线提取效果不佳（即有部分分支未被提取出来）时也能有较好的表现。并且由于网络结构的参数少，所占内存少且运算速度快，处理一个病例的耗时约在50毫秒~毫秒之间（根据提取出的分支数量会有所变化），在冠状动脉疾病的计算机辅助诊断和自动分析中有着良好的应用前景。
更多精彩内容请