论文部分内容阅读
心血管疾病(CVD)已成为全世界发病率和死亡率最高的疾病，对心血管疾病的早期定量诊断和预防对延长患者预期寿命尤为关键。计算机断层扫描血管造影(CTA)等成像设备在成像速度、成像时间和空间分辨率等方面的性能大幅提高，使得医学影像技术在CVD辅助诊断和预防上发挥着日益重要的作用。同时，高精度的临床影像数据也显著降低了医生的读片效率。借助于图像处理和先进的机器学习技术，自动化心脏影像分析方法已经成为目前国内外研究的热门主题。左心室是心脏的“动力泵”，左心室形态和运动的异常始终被视为CVD诊断的重要依据，计算机辅助自动分割方法在心脏CTA左心室研究中具有重要的理论研究价值和较迫切的临床需求。
本文针对小样本情况下心脏影像分割任务的挑战性，在对现有主流心脏影像处理算法分析的基础上，梳理心脏影像组织特点和分割难点，对其中涉及的影像分割算法开展了研究，着重针对心脏CTA影像中左心室目标分割处理中涉及到的心肌目标检测、解剖学标志点定位、心肌组织分割等关键问题进行了较深入的理论分析与探索，针对性地提出或改进了算法，并在临床数据集进行了实验验证。论文的主要工作和创新点包括：
(1)在心脏CTA影像左心室目标检测的研究中，提出了一种基于候选区域提取与分类回归联合的模型，用于检测心脏影像中的心肌组织。模型首先提出了结构相似性增强的超体素过分割和层次聚类方法来提取候选区域；然后，通过SSAE网络学习候选区域的深度特征；此外，由深度特征构成的样本用于训练结构化类内邻域保持C-SVC分类器，以实现对候选区域的准确分类，在细化定位阶段，边界框由多输入多输出类内邻域保持-SVR回归和难分负样本挖掘技术来实现对心肌组织的准确检测。对比实验结果表明，本文模型在心脏数据集上的四种评估指标平均值中：F1为0.903，Tpr为94.1%，Ppv为90.4%，AUC为0.93，获得了比代表性方法更好的检测结果。由于模型不需要大量的训练数据，并能从粗略分类的候选区域中回归到精确的目标区域，因此可以扩展到其他医学影像中的类似检测任务之中。
(2)在心脏CTA影像左心室解剖学标志点定位的研究中，提出了一种结合深度SSAE特征学习与结构化随机森林(SRF)分类回归学习的标志点定位模型，用于心脏CT影像中的主动脉瓣中心、二尖瓣中心和左心室心尖的自动定位。基于显著性边界区域采样约束和上下文特征，定位模型能构建表达心脏影像中纹理丰富、边缘众多的鉴别性特征，通过三层SSAE深度学习，所构建的高维特征既能得到降维，也能表达影像的高层信息，通过对深度特征进行层次化重要性计算，有助于在后续回归器和分类器设计中兼顾提升决策树的精度和整体森林的多样性。模型联合SRF回归和分类用于定位解剖学标志点，既引入心脏CTA的全局解剖学显著性区域约束，也参考了标志点的结构化位置和类别信息。在对比实验中，本文定位模型得到的平均定位误差为3.87㎜，平均定位准确率为96.15%，平均离群点比例为3.85%，和代表性方法相比，展示出较好的定位性能。该定位模型主要基于SSAE深度特征学习和结构化随机森林学习的框架，具有一定的可扩展性，可应用于类似医学影像中的其它解剖学标志点定位任务。
(3)在心脏CTA影像左心室分割的研究中，提出了一种融合高层形状先验和底层局部区域拟合的几何活动轮廓(GAC)模型，用于分割心脏CTA影像心肌组织的自动高效分割。其中形状先验由结构图正则化学习获得，局部区域拟合由图像交叉熵度量，在面向分割的图像分解框架下以驱动曲线演化到目标边界。模型在变分水平集框架中求解，无需重新初始化。本文GAC模型在临床心脏CTA影像中进行评估实验，实验结果既验证了能量泛函设计的合理性，也表明了模型能产生精确的分割性能。以典型的Dice系数、Jaccard指数、平均绝对值距离和计算时间作为评价指标来度量，该模型分割心肌组织外膜的平均指标分别为0.894、0.823、1.18㎜和12.8min；分割心肌组织内膜的平均指标分别为0.957、0.912、0.91㎜和11.8min。与当前代表性方法相比，模型取得了有竞争力的结果，而且计算效率更高。由于分割模型的框架具有通用性和自适应性，因此可以扩展应用于分割医学CTA影像中的类似目标。
本文针对小样本情况下心脏影像分割任务的挑战性，在对现有主流心脏影像处理算法分析的基础上，梳理心脏影像组织特点和分割难点，对其中涉及的影像分割算法开展了研究，着重针对心脏CTA影像中左心室目标分割处理中涉及到的心肌目标检测、解剖学标志点定位、心肌组织分割等关键问题进行了较深入的理论分析与探索，针对性地提出或改进了算法，并在临床数据集进行了实验验证。论文的主要工作和创新点包括：
(1)在心脏CTA影像左心室目标检测的研究中，提出了一种基于候选区域提取与分类回归联合的模型，用于检测心脏影像中的心肌组织。模型首先提出了结构相似性增强的超体素过分割和层次聚类方法来提取候选区域；然后，通过SSAE网络学习候选区域的深度特征；此外，由深度特征构成的样本用于训练结构化类内邻域保持C-SVC分类器，以实现对候选区域的准确分类，在细化定位阶段，边界框由多输入多输出类内邻域保持-SVR回归和难分负样本挖掘技术来实现对心肌组织的准确检测。对比实验结果表明，本文模型在心脏数据集上的四种评估指标平均值中：F1为0.903，Tpr为94.1%，Ppv为90.4%，AUC为0.93，获得了比代表性方法更好的检测结果。由于模型不需要大量的训练数据，并能从粗略分类的候选区域中回归到精确的目标区域，因此可以扩展到其他医学影像中的类似检测任务之中。
(2)在心脏CTA影像左心室解剖学标志点定位的研究中，提出了一种结合深度SSAE特征学习与结构化随机森林(SRF)分类回归学习的标志点定位模型，用于心脏CT影像中的主动脉瓣中心、二尖瓣中心和左心室心尖的自动定位。基于显著性边界区域采样约束和上下文特征，定位模型能构建表达心脏影像中纹理丰富、边缘众多的鉴别性特征，通过三层SSAE深度学习，所构建的高维特征既能得到降维，也能表达影像的高层信息，通过对深度特征进行层次化重要性计算，有助于在后续回归器和分类器设计中兼顾提升决策树的精度和整体森林的多样性。模型联合SRF回归和分类用于定位解剖学标志点，既引入心脏CTA的全局解剖学显著性区域约束，也参考了标志点的结构化位置和类别信息。在对比实验中，本文定位模型得到的平均定位误差为3.87㎜，平均定位准确率为96.15%，平均离群点比例为3.85%，和代表性方法相比，展示出较好的定位性能。该定位模型主要基于SSAE深度特征学习和结构化随机森林学习的框架，具有一定的可扩展性，可应用于类似医学影像中的其它解剖学标志点定位任务。
(3)在心脏CTA影像左心室分割的研究中，提出了一种融合高层形状先验和底层局部区域拟合的几何活动轮廓(GAC)模型，用于分割心脏CTA影像心肌组织的自动高效分割。其中形状先验由结构图正则化学习获得，局部区域拟合由图像交叉熵度量，在面向分割的图像分解框架下以驱动曲线演化到目标边界。模型在变分水平集框架中求解，无需重新初始化。本文GAC模型在临床心脏CTA影像中进行评估实验，实验结果既验证了能量泛函设计的合理性，也表明了模型能产生精确的分割性能。以典型的Dice系数、Jaccard指数、平均绝对值距离和计算时间作为评价指标来度量，该模型分割心肌组织外膜的平均指标分别为0.894、0.823、1.18㎜和12.8min；分割心肌组织内膜的平均指标分别为0.957、0.912、0.91㎜和11.8min。与当前代表性方法相比，模型取得了有竞争力的结果，而且计算效率更高。由于分割模型的框架具有通用性和自适应性，因此可以扩展应用于分割医学CTA影像中的类似目标。