基于图像合成和注意力的深度神经网络从计算机断层扫描灌注图像中自动分割缺血性脑卒中病变

基于图像合成和注意力的深度神经网络从计算机断层扫描灌注图像中自动分割缺血性脑卒中病变

Medical Image Analysis 65 (2020) 101787

背景

从计算机断层扫描灌注（CTP）图像中分割缺血性脑卒中病变对于急性护理病房中准确诊断脑卒中非常重要。然而，除了病变的复杂外观外，它还受到灌注参数图的低图像对比度和分辨率的挑战。为了解决这个问题，我们提出了一种基于CTP合成伪扩散加权成像（DWI）的新框架，以获得更好的图像质量，实现更准确的分割。我们的框架由基于卷积神经网络（CNNs）的三个组件组成，并进行端到端训练。首先，使用特征提取器来获得原始时空计算机断层扫描血管造影（CTA）图像的低级别和高级别紧凑表示。其次，伪DWI生成器将CTP灌注参数图和我们提取的特征的级联作为输入，以获得合成的伪DWI。为了获得更好的合成质量，我们提出了一种混合损失函数，该函数更加关注病变区域，并鼓励高水平的上下文一致性。最后，我们从合成的伪DWI中分割病变区域，其中分割网络基于可切换的归一化和通道校准，以获得更好的性能。实验结果表明，我们的框架在ISLES 2018挑战中获得了最高的性能，并且：（1）我们使用合成伪DWI的方法优于直接从灌注参数图中分割病变的方法；（2） 利用额外的时空CTA图像的特征提取器导致更好的合成伪DWI质量和更高的分割精度；以及（3）所提出的损失函数和网络结构提高了伪DWI合成和病变分割的性能。所提出的框架有可能改善缺血性中风的诊断和治疗，因为真正的DWI扫描有限。

贡献

• 首先，我们提出了一种新的基于合成伪DWI的CTP图像缺血性脑卒中病变自动分割框架。与仅使用CTP灌注参数图相比，我们的框架还利用了原始时空CTA图像，以获得更高的伪DWI合成质量和病变分割精度。
• 其次，为了更有效地利用原始时空CTA图像，我们提出了一种特征提取器，可以自动获得更紧凑、更高级的CTA图像表示，这有助于减少所需的内存和计算时间，并提高我们的分割方法的性能。
• 第三，我们提出了一种新的方法来合成缺血性脑卒中病变的伪DWI图像。我们使用高级相似性损失函数来鼓励伪DWI在局部细节和全局上下文方面接近基本事实，并提出了一种注意力引导的合成策略