基于深度学习的CT图像中肺动脉-静脉分类

近期研究表明，肺血管疾病可能通过不同的生理机制特异性地影响肺动脉或肺静脉。为检测这两类血管树的异常变化，临床医生通常需手动分析患者的胸部计算机断层扫描（CT）图像，以识别病变。然而，这一过程耗时较长，难以标准化，因此在大规模临床研究中难以实施，也难以有效支持真实世界中的临床决策。因此，实现CT图像中动脉与静脉的自动分离日益受到关注，有望帮助医生更准确地诊断病理状态。本文提出一种全新的全自动化方法，用于将胸部CT图像中的血管分类为动脉或静脉。该算法包含三个主要步骤：首先，采用尺度空间粒子分割（scale-space particles segmentation）技术提取血管结构；其次，利用三维卷积神经网络（3-D CNN）对血管进行初步分类；最后，通过图割优化（graph-cuts optimization）进一步精炼分类结果。为验证所提出的CNN架构的有效性，我们对比了多种2-D与3-D CNN模型，这些模型分别采用支气管增强与血管增强图像作为输入，并结合不同的特征融合策略。此外，还将所提出的CNN方法与随机森林（Random Forests, RFs）分类器进行了比较。该方法在18例临床病例的右肺上叶和下叶的非对比增强胸部CT图像上进行训练与评估，并与人工标注结果进行对比。实验结果表明，所提算法的整体分类准确率达到94%，显著高于其他CNN架构及随机森林方法的性能。为进一步验证模型的泛化能力，我们还使用慢性血栓栓塞性肺动脉高压患者的对比增强CT图像进行了验证，结果表明该模型在对比增强模态下仍能保持良好性能。综上所述，该方法在动脉与静脉分类任务中优于现有最先进方法，为未来三维卷积神经网络在CT图像中血管类型自动分类的应用奠定了坚实基础。