71、基于CNN的3D图像中血管管腔量化方法

基于CNN的3D图像中血管管腔量化方法

1. 引言

心血管疾病在全球范围内造成了巨大的健康和经济负担，其主要类型源于器官和组织的血液供应受阻。相关临床实践依赖多种成像方式的血管造影和静脉造影来获取人体血管信息。可靠地量化和可视化血管结构对于诊断辅助、治疗、手术规划与执行、病理量化以及不同领域的临床结果评估都非常重要。

三维成像技术是获取血管定量信息的主要手段，常见的成像方式包括磁共振血管造影（MRA）和计算机断层血管造影（CTA），它们可以是对比增强（CE）或非增强的。然而，人体血管结构复杂，图像存在空间分辨率有限、噪声和伪影等问题，这使得放射科医生在三维图像中量化血管变得极具挑战性。手动标记血管不仅繁琐、耗时，还容易出错。因此，迫切需要开发一种自动化技术，以实现对血管的快速、准确和客观评估。

目前，在三维图像中对血管结构进行分割和量化主要有两种方法：
- 直接体积管腔分割
- 沿近似中心线的二维横截面表征

本文重点关注第二种方法，即使用卷积神经网络（CNN）从图像横截面估计管腔参数。

2. 方法与材料

为了研究该问题，首先假设血管横截面是一个半径沿中心线变化的圆。在三维空间中任意点 $(\xi, \eta, \zeta)$ 处，管腔横截面的无噪声模拟图像 $F(x, y)$ 是成像系统有效脉冲响应 $h(x, y)$ 与表示管腔及其背景的函数 $f(x, y)$ 的卷积：
[F(x, y) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(u, v)h(x - u, y - v)dvdu]
其中，$(x, y)$ 是横截面