李孟歆，李美玲，裴文龙，徐 睿

(沈阳建筑大学信息与控制工程学院，辽宁 沈阳 110000)

1 引言

脑血管疾病，特别是缺血性中风，是发达国家死亡的主要原因之一。脑部CT血管造影图像(Computed Tomography Angiography，CTA)是描述超急性期受影响缺血组织的理想成像方式。如果能够通过功能急性成像协议和先进的基于机器学习的图像分析来准确预测梗死随时间的增长，那么治疗方案的预期益处可以更好地权衡潜在风险。因此，研究脑部CTA图像对脑血管疾病的判定具有重大意义。

最近几年，为解决CTA图像分割问题，研究人员做了大量的工作，提出了许多实用的分割算法，比如基于阈值的分割方法[1]、基于区域的分割方法[2]、基于边缘的分割方法[3]以及基于特定理论的分割方法，特定理论包括深度学习[4]、小波理论[5]和模糊集理论[6]等。但这些算法或多或少存在一些问题：如对于图像中的噪声，极有可能产生过度分割的现象、冗余度大等。针对这些问题，本文提出一种基于卷积神经网络和局部信息的多模态脑血管图像分割方法。该方法首先对原始CTA图像分别使用高斯滤波和拉普拉斯滤波去除噪声和做锐化处理，和原始图像分别以单个模态作为输入采用卷积神经网络对图像进行血管提取，得到三个模态的分割结果，然后采用加权平均法得到融合结果，最后采用基于局部信息的改进模糊C均值算法对融合结果进行分割得到最终结果。

2 卷积神经网络

本文中主要使用卷积神经网络(Convolutional Neural Network， CNN)来分割CTA图像中血管。……