文摘

评估超声的诊断价值的微血管成像(SMI)和与多普勒超声(TCD)对微血管结构和空气动力学的改变椎动脉解剖(VAD)。在本文中,我们首先模拟椎动脉解剖的临床医生识别过程,提出结合先验形状信息的椎动脉解剖和深度愚蠢卷积网络(IVUS DFCNs)。摘要15患者椎动脉解剖证实了重度,数字减影血管造影(DSA),或计算机断层扫描血管造影(CTA)从2020年到2021年被选中,真假腔直径,收缩期峰值流速(PSV)、舒张末期流速(类别)和PSV,产品类别,塑性指数(PI)颅内椎动脉的测量。患者中15 VAD 4(27%, 4/15)伤害引起继发性椎动脉截留和11(73%,11/15)自发诱捕没有明确的原因。根据船舶的结构特点,有11例(73%,11/15)double-lumen,校内的血肿,椎动脉夹层动脉瘤,11例(73%,11/15)V1段。重度不仅提供了一个客观的评估血管形态和空气动力学变化和监督,同时结合核心,可以进一步确定开放交通后循环分支,为早期诊断和治疗提供可靠的信息的微血管椎动脉的解剖。

1。介绍

椎动脉解剖(VAD)现在是一个在年轻人和后循环缺血的主要原因会导致栓塞、出血或缺血性中风在基部的动脉供应地区。椎动脉解剖的年发病率是1 - 1.5每100000年,发生在25-55岁人群,男性和女性的发生率大致相等。它可以引起严重的神经赤字甚至死亡,所以早期、准确的诊断和治疗是至关重要的。这就是为什么它是如此重要的诊断和治疗它快速、准确地1]。根据原因,椎动脉解剖可分为创伤性或自发的,自发的原因包括梅毒的动脉炎,肌纤维发育不良、高血压、动脉粥样硬化、血管壁的退行性疾病,遗传缺陷的血管壁(alpha2 1抗胰蛋白酶缺乏症”),脑动脉畸形和感染,而颈部按摩,咳嗽,打喷嚏,呕吐,某些情况下神经赤字可以快速、准确地(2]。咳嗽、打喷嚏、呕吐,一些运动(蹦床、足球、射箭等),过伸,屈曲过度,颈部的旋转可能触发椎动脉解剖的发展(3]。

通过采用(3是后循环缺血的一个重要原因。VAD的发病率可能导致椎动脉严重狭窄或闭塞,和大约2%的缺血性脑血管疾病是由于颈动脉或椎动脉解剖,流行的中青年患者的10% - -25% (4]。早期诊断的关键是及时和有效的治疗VAD患者。非侵入性重度的不断发展,许多国际报道,重度的首选方法是检测椎动脉狭窄或闭塞的病变,92%的准确性和监督(5]。然而,使用SMI的检测和监督中国的报道较少,以及VAD的血液动力学的影响更少报告颅内段。

的诊断椎动脉解剖,中风的一个重要原因vertebrobasilar系统在年轻的成年人,通常是具有挑战性的,因为早期椎动脉解剖的临床表现的多样性。大多数患者椎动脉解剖表现为典型的严重的头部和颈部疼痛和可能会出现临床表现如vertebrobasilar动脉血液供应不足,后循环脑梗死,蛛网膜下腔出血6),如眩晕和走路,不MRI结合MRA可以更好地评估校内的血肿,但是很难诊断早期校内的血肿,这可能导致误诊和漏诊。

大量的研究表明,重度是一个重要的初步筛查和随访动脉解剖的方法,灵敏度为70 - 86%,因此通常首选椎动脉解剖的考试。多普勒超声允许使用高频探针穿透软组织和血管内血液流动的方向,确定血液流动的方向和速度7]。除此之外,它还可以评估血管壁形态和流波形特征,使重度可靠的诊断椎动脉解剖成像工具,非侵入性和低成本的优势。然而,重度有一些局限性,其准确性取决于检查医生的水平,这是不容易发现病变时截留已经发生了很长时间,当局部血栓形成导致血管阻塞,或者校内的血肿很小,便于诊断[小姐8]。

解决深卷积网络的缺点(DCNs公司)需要大量的带注释的医学图像,本文结合了IVUS图像的特点和对抗性的学习的优点,提出了一个方法基于CGAN (C-IVUSGAN)。在本文中,我们结合IVUS图像的特点和学习并提出C-IVUSGAN敌对的优点,一个基于CGAN IVUS图像目标边界检测方法。本文的目的是解决过度拟合问题的发电机和鉴频器在训练阶段C-IVUSGAN网络通过扩大数据与相应的临床医生手工注释信息。使用训练对抗学习C-IVUSGAN模型,新输入(或试验)IVUS图像分割分为三个不同组织区域(9]。

2。相关工作

文献[10)使用深self-encoder网络压缩数据的维数,工作比主成分分析方法。这个事件拉开了深度学习的时代。很长一段时间,深层神经网络(款)被认为是难以有效地训练,和款流行从2006年开始,随着研究的不断LeCun(辛顿,Bengio。他们建议良好的分类性能可以通过神经网络首先pretraining深一层一层地以一种无监督的方式,调整神经网络的叠加每一层的参数以监督的方式(11]。两个流行的网络结构是self-encoders堆放和深信心网络,分别。然而,这些网络相当复杂,需要大量的工程技能和知识获得令人满意的结果。目前,最流行的网络使用端到端监督学习方法,大大简化了训练过程。最受欢迎的网络结构是cnn和深RNNs [12]。尽管RNNs正变得越来越受欢迎的在医学图像分析中,最广泛采用的网络结构仍然是深卷积网络。

领域的医学图像分析、学术和工业社区意识到计算机视觉深度学习的进步,逐渐远离了学习或使用hand-designed特性系统到深模型系统,可以自动学习功能(13]。目前,深卷积神经网络已经被广泛采用医学图像分析或医学成像领域的。例如,深cnn用于疾病分类和病变分类,提出cnn用于组织和器官定位、组织和器官分割,和肿瘤分割使用U-Net或完全卷积网络FCN深处,和深卷积网络也被用于医学图像对齐、基于内容的图像检索、图像生成和增强等。

3所示。本文的模型

3.1。增强IVUS图像数据

为了减少过度拟合的影响,增加数据应用于IVUS图像。数据扩增方法如下。(1)旋转变换:IVUS图像和其相应的注释信息在逆时针方向旋转每10度,35次获得35次IVUS图像。(2)伽马变换:拉伸IVUS图像灰度的伽马因子在0.5,0.6,0.7,0.8,0.9,1.1,1.2,1.3,1.4,1.5,1.5}获得10倍的数据。(3)翻转处理:IVUS图像和注释信息上下翻转,反映左和右获得2倍的数据。(4)规模转换:IVUS图像缩放然后zero-filled恢复原来的空间大小为0.75,0.8,0.85,0.9,0.95},导致10倍的数据。

3.2。C-IVUSGAN网络框架

目前,基于两个学习生成模型是变分autoencoders (va) [14)和生成对抗网络(甘斯),分别。他们被广泛用于图像数据的一代。甘斯是由两个网络,发电机和鉴频器。发电机是用于生成现实的自然或医学图像数据,包括tissue-segmented图像,而鉴别器促进生成的图像质量的改善通过识别是否生成的图像近似真实的数据通过一个目标函数(或损失函数)。发电机和鉴频器使用多层感知器神经网络实现(13]。早期的甘斯unCGAN,从一定的概率分布随机噪声采样(用于图像生成)和一定的样本来自一个给定的实际图像数据作为网络的输入。通过对抗训练(15),网络可以满足给定的实际图像数据的分布,因此训练生成器生成逼真的图像样本。多样化的影响产生现实的图像,深卷积网络(DCNs公司)提出了取代多层感知器,即。、深CGAN (DCGANs) [16]。然而,文献[17)指出,无条件的甘斯从未能够控制生成的数据的风格,和额外的信息,比如。,有条件的信息,需要引入的用户控制数据生成过程。这个条件信息可以分类标签,文本或图像内容的一部分,甚至其他模态数据。

总之,无条件的甘斯学习体现了随机噪声向量之间的映射关系n和输出图像而条件甘斯学习是一个随机向量之间的关系n观察到的输入图像x(或额外的图片)。在本文中,我们提出有条件的甘斯(C-IVUSGAN) IVUS边缘检测。网络的学习过程C-IVUSGAN结构如图1。首先,VUS开头的形象x及其细分图y从训练数据集随机选择吗 和美联储到发电机GC-IVUSGAN;接下来,G生成细分图使用IVUS图像x作为条件信息;然后,图像对 和 被送入鉴频器吗DC-IVUSGANs的决定的分割效果G接近医生的手动分割的地图吗y。损失函数(目标函数)的条件甘斯被定义为

发电机G最小化目标函数方程(1),而鉴别器D最大化的方程。条件甘斯目标函数引入了传统的损失函数来进一步提高生殖(细分)的结果。传统的损失是距离L1和L2距离(18),这将限制发电机G分割结果,表示为

C-IVUSGAN网络学习过程中的损失函数写成 在哪里一个和Bhyperparameters。在实践中,一个hyperparameter通常设置为1,Bhyperparameter是由一个网格搜索。

3.3。发电机为C-IVUSGAN

生成器是C-IVUSGAN网络模型的重要组成部分,它的角色分段IVUS图像的目标区域内部和中间向外膜边界检测。借鉴的原则SHGNs [19]和DCGANs [1],本文构造了一个分割地图生成器IVUS边缘检测,如图2网络结构,使用堆叠完全卷积coding-decoding 16日称为C - IVUSGAN SHGNS网络结构。其他网络结构也构造,如GG-Net-based卷积网络和U-Net67网络,为了比较性能与C - IVUSGAN SHGNS模型,节中描述“实验结果和分析。“每个完整的卷积网络由一个编码器和译码器。由15卷积编码器结构层,14批标准化层,15悠闲地激活层。译码器结构由5全局层,11批标准化层,6悠闲地激活层,和7卷积层(包括1×1卷积的一层)。在图2,k(内核)表示卷积核的大小,f(特征地图)表示输出特征图的数量,和年代(步)表示卷积核之间的步长;如果年代= 1,然后输入和输出特征尺寸相等;如果年代= 2,那么大小的输出特性是卷积后减半,反褶积后翻了一倍。在SHGNS-based C-IVUSGAN模型提出了本文前面的输出完整的卷积网络作为后者的输入完整的卷积网络。两级叠满了卷积encoding-decoding网络模拟的两个进程“区域分割”和“边界优化”IVUS图像边界检测,分别。

3.4。鉴频器为C-IVUSGAN

C-induced网络模型,鉴频器是另一个重要组成部分,作为counter-training区分分割图z生成器生成的从医生的手工分割图y,促使生成器来生成一个高质量的分割图。再一次,使用类似Alexnet58的网络体系结构和DCGANSL,分割图鉴别器结构由八个Conv层,七个悠闲的激活层,六Batchnorm层,一层乙状结肠,如图3。鉴频器编码数据维度(256256 2)到(1,3),然后映射到乙状结肠的概率。更深层次的鉴频器是基于Pix2P第十九鉴别器,鉴频器是由“Patchgan”改为“Imagegan”,因为(1)更复杂和更深入的发电机是用于C-IVUSGAN,和(2)与自然图像生成,这需要丰富的图片的颜色,质地,和其他方面的现实主义和多样性,语义标记图像生成IVUS图像需要全球尽可能相似的图像分割图像手动了临床医生。

3.5。培训C-IVUSGAN

摘要实验上实现了TensorFlow机器智能图书馆开源软件(20.]。亚当优化器是用于解决算法。网络参数设置如下:训练轮的总数是200,训练轮的数量在“实验结果和分析”III和IV设置为20,批量的大小是1,原始图像的大小是384×384,裁剪的大小是256×256。在亚当优化器,学习速率或步长设置为0002,和B1脉冲参数设置为0.5。在方程(2),一个参数设置为1,β参数设置为100。编码器,译码器,鉴频器的负斜率悠闲的激活函数设置为0.2。

4所示。案例研究

案例1、患者,女,51岁,呈现给诊所用2周的“头痛和头晕。“颈段直径3.2毫米,流速的69/30厘米/秒和一个正常的光谱模式如图4;疼痛的椎间段显示了一个稀释的流束腔,与当地流速大约110/52厘米/秒和一个正常的光谱模式。超声波显示轻度至中度狭窄的椎动脉局限于颈椎椎间段,椎动脉高概率的圈套(校内血肿)。头部和颈部的CTA显示弯曲斜边的影子在腔边缘C3-5椎体,与横向管腔的狭窄,这被认为是一个椎动脉夹(校内血肿)。

情况2、患者,女,43岁,呈现给我们的医院”后与双边颞枕麻木疼痛1周,“和一个重度的宫颈血管显示扩大运河直径的右椎动脉,稍微高渗区后壁如图5。缩小率为72.0%,局部流速的增加为162 cm / s,填充频率窗口,粗声的频率。超声波显示严重狭窄的椎动脉,椎动脉解剖的高概率(校内血肿)。头部和颈部的CTA显示不规则腔模式的正确的椎动脉,有限的对比突出超出了腔内腔和胸骨旁的弯曲的斜边的影子。

情况3、患者,女,41岁,糕点厨师,来到我们医院“头疼了好几天。“血液流动的速度增加到216/85厘米/秒,频率窗口和粗声频率;pseudolumen直径3.0毫米,充满了非齐次自私自利,没有检测到彩色血流信号。超声检查显示左侧椎动脉严重狭窄有限,高概率的椎动脉解剖(校内血肿类型)。病人拒绝进一步检查,但诊断椎动脉解剖(校内血肿类型)被认为是权威的基础上他的职业,这主要是上半身流动性,以及颈部血管超声表现本质上是一样的在其他两个病人;参见图6。

5。模型实验结果

5.1。数据集

本文的实验对象主要是IVUS。IVUS来源于435年从10个病人冠状动脉的图像序列,与火山一个成像系统和一个20兆赫电子相控阵探头。这些数据涵盖大部分的可能的血管形态存在,如分岔、斑块、声学跟踪和调查接近导管。标准数据库,两个医生内膜的mesoepithelial轮廓,轮廓和其中一个重新贴标签于这些图像在不同的时间这三套contour-labeled图像数据存在。80%的训练集是随机选择的标准数据集,剩下的20%的数据被用作测试获得五个不同的数据集的组合。

5.2。设置不同的损失

联合损失函数影响的共同损失函数C - IVUSGAN网络模型被定义为方程(3),是由两个部分组成的重建或分割损失损失或产生的损失和其他组件作为敌对的损失。文献[7,21)使用L1和L2距离作为甘斯重建损失,分别使发电机的输出尽可能一致的临床医生的单轮廓的结果。使用方程(1)作为甘斯的对抗性的损失允许使发电机的输出分割结果更现实和多样化,即。尽可能相似的分布,不同外形轮廓的临床医生。影响网络训练和不同的重建损失函数的影响感兴趣的区域的分割。通过比较可以看出数据列3,4,5,6,表1,只使用重建损失(L1和L2距离),C-VUSGAN退化到一个FCN结构和未能实现的最高分数共有八个评价指标的内在和中间向外膜。换句话说,与敌对的学习理念,发电机的输出分割结果更好,因为对抗性的损失把发电机的分割结果尽可能相似的分布资料列出的临床医生是不同的一个给定的数据集。

我们可以看到的比较数据表的列5和61,重建失去使用l距离是适合middle-external膜分割和检测在使用L2距离适合内膜的分割。L1和L2损失的性质表明,L1是更健壮的异常值而L2是非常敏感的。如图7,导管区域和内分泌流区域可以被认为是非常一致的灰度区域,因此,这两个地区可以通过分段组合成同一地区a地区报酬与L2损失和检测,评价指标的分数一直较高。斑块区域非常符合区域的灰度,如图7,有两个区域之间的突变。如果有斑块钙化斑块的面积、灰度值将改变幅度更大。通过合并斑块区域和区域到区域B,即。,by adding some anomalies to region A, it is more appropriate to use the L1 loss to segment region B and obtain the epifilm, which will result in a higher score for each evaluation metric.

如表所示2,当血钠过多一个= 1,高钠血B是不同的从1到128年,L1被用来重建损失,和统计评价指标JM被用来确定最佳血钠过多的价值。当β= 64,C-IVUSGAN是最好的检测的middle-epithelium IVUS图像。当B= 32,C-IVUSGAN是最好的在IVUS检测内膜边缘图像。如表所示3,当血钠过多一个= 1,L2作为重建的损失。当B= 64,C-IVUSGAN是最好的内皮美国图像边缘检测。当β= 128,C -釜山有最好的效果在IVUS检测mid-epithelial边缘图像。如表所示2和3,高钠血β对分割结果的影响不大;设置32和128年之间可以实现更好的边界检测结果。摘要实验后统一设置β= 100。

C-results分割的C-VUSGAN IVUS图像不仅取决于所使用的损失函数,还网络结构的发电机使用。网络如FCN、U-Net DeconvNet, SegNet经典语义图像分割网络可以作为发电机C-IVUSGAN [22]。灵感来自堆叠沙漏网络的设计思想(SHGNS) 6和VGG-Net5,本节研究的分割效果三个不同的发电机,即Pix2ix-1 (U-Ne) 67 pix2pix-2 (FCN) 52岁,和C-IVUSGAN-SHGN。

比较结果表4显示的分割性能FCN或encoder-decoder结构和堆叠漏斗网络没有中间信息发生器的C - IVUSGAN略逊于Pix2Pi xi模型基于U-Net结构。然而,堆放漏斗与中间信息网络优于Pix2Pi xi模型,表明中间信息促进了编码和解码的分割图像和原始图像的漏斗装置优化分割结果和获得更好的最终的分割结果。此外,提出叠加隧道网络是更紧凑的模型尺寸小于P xi2P xi模型。

5.3。与现有算法的比较

探测任务的两个关键IU图像边界,八个相关算法进行了综述文献中使用标准的评价方法并详细评估和比较国际标准数据库。这些算法只能发现一个关键边界IVU的形象,例如,方法如图68(a)检测只有mid-epithelium,方法2、5和7在图8(b)不能检测mid-epithelium。此外,其中方法3的性能是最好的方法,是一种更好的国际和国家单位近年来图像分割算法。本文比较和评估算法的性能与文献中描述的算法和神经网络方法3536 435国际单位代表帧图像从一个国际标准数据库18]。定量比较结果如图8表明该算法优于文献中描述的算法和双稀疏self-encoder-based方法而言米、垫、高清(09197为内膜毫米和0.9171 mid-epithelium JM),检测内部和mid-epithelium IVUS图像的边界更接近临床概述的带注释的轮廓。这个算法的分割性能取决于两个主要因素,一个是先进的发电机网络结构,另一个是详尽的数据增强方法基于特定的图像特征(训练样本大小为217×58 = 12586)。比较结果表4表明,该C-IVUSGAN-SHGNS发电机网络结构比U-Net用于文学、和使用输入图像作为中间信息可以提高整个网络的分割效果。在图的平均JM内膜8(一)是09289,而中间向外膜的平均MM在图8(b)是09514,这两个比相关的数据表4。这种比较表明,旋转57-fold数据增强方法(35-fold),灰度拉伸(10倍),翻转(2倍),摘要和尺度转换(10倍)可以有效地提高亚晶界的性能检测和防止过度拟合破坏分割结果。

5.4。测试结果的定性分析

表中的数据4和图8表明IVU的具有代表性的435帧图像,本文方法的检测结果非常接近概述了临床医生手动。图9显示内膜的和mid-epithelial边界检测的例子在国际单位形象六个条件:正常,钙化斑块、纤维斑块,超声波的影子,血管分叉,船侧分支。有检测的例子在数据集,本文方法的泛化能力强。因为ECG-gated和non-ECG-gated数据差异很大,只有少数情况下,该模型可以成功地检测到其他类型的数据。更好的泛化模型取决于是否遵循一个训练集和测试集的大小更均匀分布或它们之间的差异。这将是一个为未来的研究领域,允许IVUS图像(non-ECG-gated)数据集转换成ECG-gated数据的检测图像的内在和中间向外膜边界C-ivusGAN-SHGNs模型。

6。结论

在本文中,我们提出一种改进的检测方法的内在和中间向外膜边界基于SHGNs和C-GANs IVUS图像。首先,使用敌对的训练理念和C-GANs,本文算法的性能更有利与文献中描述的算法和双空间self-encoder-based方法。与Pix2Pix模型相比,本文的算法C-ivuGAN-SHGNs使用堆叠漏斗网络作为发电机,结构紧凑,更少的参数,及其性能优于U-Net-based Pix2Pix模型。由于本文中使用的训练数据ECG-gated IVUS图像,检测结果的网络模型non-ECG-gated IVUS图像更均匀,这将是一个问题在未来被克服。重度精神提供了一个客观的评估血管形态和空气动力学的变化和监督结合浴室。

数据可用性

我们没有获取分析数据提供程序的许可,因为贸易机密性。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Yanjuan Wang和焦华捷手稿做出了同等的贡献。

确认

这项工作是由宁夏医科大学的学校项目(没有。XM2021070)。