王 璐, 杨小帆, 王前进, 徐礼胜

(1. 东北大学 计算机科学与工程学院, 辽宁 沈阳 110169; 2. 东北大学 医学与生物信息工程学院, 辽宁 沈阳 110169; 3. 沈阳东软智能医疗科技研究院有限公司, 辽宁 沈阳 110167)

CT血管造影(computed tomography angiography, CTA)图像的冠状动脉分割可用于评估冠脉狭窄,对临床上冠状动脉疾病的诊断具有重要意义.但是,冠状动脉手动分割费时费力,且依赖于医师的知识和经验,具有一定的主观性,因此实现自动分割是很有必要的.然而,冠状动脉的自动分割存在诸多挑战,如冠状动脉结构复杂、冠状动脉和背景分布严重不平衡、分支呈发散状且粗细不均、分割时易受到冠状静脉和其他组织的干扰等.

随着深度学习的发展,基于深度学习的分割也逐渐应用到医学图像分割领域中,其中FCN[1]作为语义分割的鼻祖,采用了通用的编码-解码框架,在解码阶段使用一个反卷积将特征图恢复到原始尺寸,对后续的语义分割产生了深远影响.而后基于FCN提出的U-Net[2],3D U-Net[3]在解码阶段采用逐级上采样的方式恢复至输入图像的尺寸,其网络呈现为“U”型,并将跳跃连接的特征图求和操作转换为拼接操作,更加适合于医学图像的分割.U-Net提出后,出现了多种改进,如Attention U-Net[4],U-Net++[5]等.但是对于冠状动脉这种前景和背景类严重不平衡、多分支、细分支的组织来说,这些单阶段网络尚不能达到很好的分割效果.而小目标的两阶段或多阶段分割一般采用由粗到细的分割,即先定位再精确分割,如胰腺分割[6]、脑肿瘤分……