[發明專利]一種主動脈夾層術后影像的生成方法

在審

• 申請號: 202211077949.2
• 申請日: 2022-09-05
• 公開（公告）號: CN115908599A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 譚云;彭海闊;譚凌;秦姣華;唐浩;向旭宇
• 申請（專利權）人: 中南林業科技大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/0464;G06N3/08
• 代理公司: 深圳市深軟翰琪知識產權代理有限公司 44380
• 代理人: 吳雅麗

本發明公開了一種主動脈夾層術后影像的生成方法，提出了用于未配對影像生成的MARTF?GAN模型，基于術前影像生成患者的術后影像，給手術方案制定提供可靠的指導。該模型生成器由注意力編碼器、RTF模塊、注意力解碼器組成。注意力編碼器通過全局上下文注意力提取較為豐富的圖像特征；RTF模塊位于注意力編碼器和注意力解碼器之間，對注意力編碼器的輸出特征圖進行深層次的全局和局部信息提取融合，提取高級語義信息；注意力解碼器的作用是根據高級語義信息生成最終的術后影像，在注意力掩碼的指導下能夠生成語義較為豐富的圖像。該方法整體指標的性能優于Munit、AttGan、QsaGan和CycleGan模型。

技術領域

本發明涉及一種主動脈夾層術后影像的生成方法。

背景技術

主動脈夾層(AD)是由主動脈內膜破裂引起的一種嚴重的血管疾病，在血液壓力的作用下，會將主動脈分隔成真腔和假腔。假腔的存在使得患者容易出現真腔供血不足、假腔破裂等問題。主動脈治療常采用支架植入到真腔中，以此來壓縮假腔，其在術后隨訪影像中近心端的表征呈現為假腔和破口消失、主動脈邊緣呈齒輪狀等。由于手術治療僅處理近心端的夾層，對于夾層累及降主動脈及以下部位的病例，遠端主動脈部位仍可能呈夾層狀。這使得術后主動脈遠端擴張而發展為主動脈破裂的發生率逐漸增多，主動脈夾層成為了一種高死亡率的主動脈疾病。有研究表明，其發病率和院內死亡率呈逐年增加的趨勢。圖1展示的是同一病例不同部位在術前術后影像中的主要表征。

醫生常通過分析計算機斷層掃描(CT)影像來制定手術計劃、引導主動脈插管植入和術后隨訪評估。然而，單個患者一次CT掃描就有多達600～800張的CT切片需要人工篩選，這大大降低了診斷效率。為了減輕醫生的負擔，已有研究開始結合深度學習算法對術前影像中的主動脈夾層進行自動分割與檢測。術后影像是評估治療效果的最主要依據，Zhu等人結合術后CT影像重建和流體動力學分析，嘗試預測夾層術后的擴張風險。也有研究利用臨床檢查數據，結合神經網絡、邏輯回歸等預測模型實現對術后并發癥的預測，避免過度治療。但是，利用術前影像生成術后影像尚無公開發表的研究。本發明研究利用患者未配對的術前術后影像數據集訓練生成模型，旨在術前根據患者術前影像生成出對應高保真的術后影像圖，給醫生提供主動脈部位術后恢復情況的預估，這有助于手術方案的制定以及預測遠端主動脈擴大的風險。同時，醫學圖像生成算法的發展給術后影像生成提供了可行性。

目前，關于醫學圖像生成的算法主要基于生成對抗網絡(GAN)框架。GAN一般由一個生成器網絡和一個鑒別器網絡組成，基于零和博弈思想，使生成器和鑒別器進行對抗學習。生成器盡可能地使生成影像能夠欺騙鑒別器，鑒別器以盡可能地區分生成影像和真實影像，最終達到納什平衡的狀態。Pix2Pix是一個經典的基于GAN的框架，其在CT降噪和MR圖像重建任務中性能優異，但需要成對的數據用于模型訓練。然而，醫學圖像成像設備、造影劑濃度和人體實時狀態等因素的不同，對人體同一個部位不同時間所采集的醫學圖像也存在著差異。這使得獲取成對的醫學影像極為困難。CycleGAN的提出，解決了模型依賴成對數據集的問題，其通過引入循環一致性損失來約束網絡的訓練，學習源域到目標域的映射關系，主要用于模態轉換、圖像分割等。

醫學圖像合成中長期存在的一個挑戰是感興趣區域(Region?of?interest，ROI)的分辨率較低，可能會顯示模糊的邊界。RegGAN基于“損失校驗”理論，將未成對的目標圖像視為噪聲標簽，利用配準網絡來自適應地擬合未成對的噪聲分布。通過配準網絡來對齊源域和目標域的方法雖然穩定有效地提升性能，但由于真實的未配對圖像噪聲分布較廣，這類方法難以在未配對數據集上取得效果提升。

上述研究表明了當前醫學圖像生成中存在兩個問題，一是感興趣區域的分辨率較低，二是未配對影像難以實現有效對齊。因此，有必要設計一種主動脈夾層術后影像的生成方法。

發明內容

本發明所要解決的技術問題是提供一種主動脈夾層術后影像的生成方法，該主動脈夾層術后影像的生成方法采用全新的模式和算法，能獲得更接近真實的術后影像。

發明的技術解決方案如下：