基于深度学习的脑血管分割方法研究

目的:针对磁共振血管造影(magnetic resonance angiography,MRA)图像存在部分血管微小、血管重叠等难以自动分割的问题,提出一种基于深度学习的脑血管分割方法。方法:采用由多生成器和判别器组成的生成式对抗网络(generative adversarial networks,GAN)构建脑血管分割模型(brain vessel segmentation model,BVSM)。首先,在生成器网络中引入特征融合、注意力机制模块,对患者的MRA图像进行分割提取;其次,判别器网络判断生成器网络生成的脑血管分割结果与专家手工标注分割结果的差距,迫使生成器网络不断优化,生成更真实的分割图像;最后,选用MIDAS数据集,设计消融实验,从Dice系数、精确率、敏感度、AUC 4个方面比较BVSM与原始模型[RVGAN(retinal vascular generative adversarial network)模型]、单独融入注意力模块的RVGAN+Attention模型、单独融入切片特征融合(slice-level feature aggregation,SFA)模块的RVGAN+SFA模型的脑血管分割效果。结果:BVSM的Dice系数为87.2%、精确率为88.3%、敏感度为86.3%、AUC为0.942,均优于RVGAN模型、RVGAN+Attention模型和RVGAN+SFA模型。结论:提出的方法整体分割准确率较高,可以清楚地观察脑血管结构的异常,为医生正确判断脑血管病变提供了一种辅助诊断方法。