基于自适应采样与Dense机制的颅内动脉瘤血管多结构分割

作者：张栩阳; 姚韵楚; 石悦; 佟鑫; 梁昕语; 童薪宇; 刘爱华; 陈端端^*

来源：数据采集与处理, 2022, 37(04): 766-775.

DOI：10.16337/j.1004-9037.2022.04.006

• 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

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。

• 单位
  北京理工大学; 生命学院; 首都医科大学附属北京天坛医院