主动脉夹层检测方法、系统、电子设备及存储介质

技术领域

本发明涉及一种主动脉夹层检测方法、系统、电子设备及存储介质。

背景技术

主动脉是人体主要动脉的简称，用于输送血液到身体的其他部位。主动脉夹层(AD)是由主动脉壁层的分离引起的，致使血液流入而形成一个新的腔，称为“假腔”，用以区别主动脉正常输血的“真腔”。如图1所示，根据斯坦福(Stanford)夹层分型，主动脉夹层可分为A型主动脉夹层(TAAD)和B型主动脉夹层(TBAD)。TAAD累及升主动脉；TBAD涉及降主动脉或腹主动脉，但不累及升主动脉。主动脉夹层分型的自动检测具有重要意义。而为了达到从人体系列CT图像中自动检测主动脉夹层类型的目的，需要一个高效的目标检测算法来完成对主动脉及其分支的准确检测。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，提供了一种主动脉夹层检测方法、系统电子设备及计算机可读存储介质，基于序列信息和深度学习算法，能够从人体系列CT图像中自动、高效地完成对主动脉部位的准确检测，识别主动脉夹层的类型。

本发明所提供的的技术方案为：

一种主动脉夹层检测方法，包括以下步骤：

步骤1、首先使用第一深度学习模型从人体系列CT切片中检测出目标边界框及其对应类别，不同的类别表示不同的主动脉部位；然后采用序列信息提取算法(SIE)对人体系列CT切片中的目标边界框进行处理，将最终得到的目标边界框作为感兴趣区域，方法为：

步骤1.1、用系列CT切片中首张检测到目标边界框的切片上的所有目标边界框初始化模板

步骤1.2、对于当前切片，若没有检测到目标边界框时，则记录当前切片信息；否则，将当前切片上检测到的所有目标边界框表示为

步骤1.3、将下一张切片作为当前切片，重复步骤1.2，直至所有切片处理完毕；

步骤2、利用第二深度学习模型检测步骤1得到的各个感兴趣区域是否存在夹层，从而判断各个感兴趣区域对应的主动脉部位是否存在夹层。

进一步地，本发明重点研究主动脉以下8个部位：即无名动脉(IA)、左颈总动脉(LCCA)、左锁骨下动脉(LSA)、主动脉弓(AA)、升主动脉(AAO)、降主动脉(DAO)、腹主动脉(AADO)和右髂动脉(RIA)。所述步骤1中，不同的主动脉部位包括上述8个部位。

进一步地，所述步骤1中，第一深度学习模型采用YOLOv5模型。

进一步地，第二深度学习模型采用DenseNet-121模型。针对主动脉夹层检测，DenseNet-121模型在相同的训练条件下较其它深度学习神经网络具有更好的检测性能。

进一步地，所述步骤1.2中，在一定的缺失范围内是指，当前切片和模板切片之间未检出目标边界框的切片数M

进一步地，所述步骤1.2中，若M

进一步地，所述步骤2中，根据目标边界框所属的切片信息，统计人体的各个主动脉部位存在夹层的切片数量，与对应的第四阈值β比较，最终判定人体的各个主动脉部位是否存在夹层，第四阈值β取值依据该人体各个主动脉部位的切片总数决定。通过本方案，可以提高容错率。

进一步地，所述步骤2中，根据人体存在夹层的的主动脉部位，如果夹层累及AAO，则判定为TAAD；如果夹层累及DAO，不累及AAO，则判定为TBAD；如果人体主动脉8个部位都不存在夹层，则判定为正常。

另一方面，本发明提供一种主动脉夹层检测系统，包括目标边界框提取模块和夹层判断模块；

所述目标边界框提取模块，首先使用第一深度学习模型从人体系列CT切片中检测出目标边界框及其对应类别，不同的类别表示不同的主动脉部位；然后采用序列信息提取单元对人体系列CT切片中的目标边界框进行处理，将最终得到的目标边界框作为感兴趣区域；所述序列信息提取单元工作过程为：

步骤1.1、用系列CT切片中首张检测到目标边界框的切片上的所有目标边界框初始化模板

步骤1.2、对于当前切片，若没有检测到目标边界框时，则记录当前切片信息(切片信息记录在P中)；否则，将当前切片上检测到的所有目标边界框表示为

步骤1.3、将下一张切片作为当前切片，重复步骤1.2，直至所有切片处理完毕；

所述夹层判断模块，利用第二深度学习模型检测目标边界框提取模块各个感兴趣区域是否存在夹层，从而判断各个感兴趣区域对应的主动脉部位是否存在夹层。

另一方面，本发明提供一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现上述主动脉夹层检测方法。

另一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述主动脉夹层检测方法。

有益效果：

本发明基于序列信息和深度学习算法，可以在不预选CT图像的情况下，从人体系列CT图像中自动、高效地完成对主动脉及其分支的准确检测，并识别主动脉夹层的类型。实验结果表明，主动脉夹层的Stanford分型准确率达到89.19％，切片级别准确率达到97.41％，效果优于目前基于深度学习的主动脉夹层检测方法。

附图说明

图1：主动脉夹层的斯坦福分型。

图2：YOLOv5结构图；图2中(a)部分所示为Backbone结构；(b)部分所示为Neck结构，采用FPN+PAN的结构，充分融合不同维度的特征，可输出三个不同尺寸的特征图，检测不同尺度的目标；(c)部分所示为Prediction模块对生成的三个尺度特征的卷积操作生成最终的三种特征图。

图3：CSP模块；图3(a)为CSP1_X结构，由CBL和X个残差单元组成，能更好地提取图像的深层特征；图3(b)为CSP2_X结构，与CSP1_X唯一不同在于其用X个CBL替代了残差单元。

图4：本实施例所提两阶段主动脉夹层检测方法总体结构。

图5：人体横截面CT图像(切片)。左图中编号为1-8的线条代表不同的横截面位置，对应的图像在右侧。

图6：跟踪序列更新原理，图6(a)、图6(b)、图6(c)代表三种不同的情形。

图7：序列信息提取算法原理图。

具体实施方式

以下结合附图和具体实施例对本发明进行进一步具体说明。

实施例1：

本实施例提供一种主动脉夹层检测方法，包括以下步骤：

步骤1、首先使用第一深度学习模型从人体系列CT切片中检测出目标边界框及其对应类别，不同的类别表示不同的主动脉部位；然后采用序列信息提取算法(SIE)对人体系列CT切片中的目标边界框进行处理，将最终得到的目标边界框作为感兴趣区域，方法为：

步骤1.1、用系列CT切片中首张检测到目标边界框的切片上的所有目标边界框初始化模板

步骤1.2、对于当前切片，若没有检测到目标边界框时，则记录当前切片信息(切片信息记录在P中)；否则，将当前切片上检测到的所有目标边界框表示为

步骤1.3、将下一张切片作为当前切片，重复步骤1.2，直至所有切片处理完毕；

步骤2、利用第二深度学习模型检测步骤1得到的各个感兴趣区域是否存在夹层，从而判断各个感兴趣区域对应的主动脉部位是否存在夹层。

实施例2：

本实施例在实施例1的基础上，所述步骤1中，第一深度学习模型采用YOLOv5模型。

单阶段目标检测网络舍弃了候选区域提取阶段，将检测问题当作回归问题，用一个网络输出位置和类别。随着YOLO系列的不断发展，YOLOv5在速度和精度方面都取得了极高的性能，加速了目标检测在下游任务中的应用。YOLOv5网络结构大致可由输入端、Backbone(主干网络)、Neck(颈网络)和Prediction(预测网络)四个部分组成，如图2所示。

YOLOv5在输入端使用的Mosaic增强操作提升了模型的训练速度和网络的精度，同时提出里自适应锚框计算和自适应图片缩放的方法，增强模型识别不同尺度目标的能力。YOLOv5的Backbone结构如图2(a)所示，与YOLOv4的主干相比，主要的改进是Focus模块和CSP模块。Focus模块对输入图像进行切片，进行通道拼接，然后进行卷积操作。这样可以保持图像信息完整，增加感受野，加快模型训练。CSP模块设计思想来源于CSPNet，这是一种跨阶段局部网络，主要是为了缓解推理过程中的大量计算的消耗，提高推理速度和准确性。如图3所示，CSP模块将输入的特征图划分为两个部分，分别进行卷积操作后进行融合(concatenate)。特征图的大小跟输入特征图的大小相同，其中Res和CBL框下的X表示当前单元的数量。

图2(b)所示为Neck结构，采用FPN+PAN的结构，充分融合不同维度的特征，可输出三个不同尺寸的特征图，检测不同尺度的目标。图2(c)所示的Prediction模块对生成的三个尺度特征的卷积操作生成最终的三种特征图。

实施例3：

本实施例在实施例2的基础上，所述步骤2中，第二深度学习模型采用DenseNet-121模型。针对主动脉夹层检测，DenseNet-121模型在相同的训练条件下较其它深度学习神经网络具有更好的检测性能。

实施例4：

本实施例在实施例3的基础上，所述步骤1.2中，在一定的缺失范围内是指当前切片和模板切片之间未检出目标边界框的切片数M

实施例5：

本实施例在实施例4的基础上，所述步骤1.2中，若M

实施例6：

本实施例在实施例5的基础上，所述步骤2中，根据目标边界框所属的切片信息，统计人体的各个主动脉部位存在夹层的切片数量，与对应的第四阈值β比较，最终判定人体的各个主动脉部位是否存在夹层，第四阈值β取值依据该人体各个主动脉部位的切片总数决定。通过本方案，可以提高容错率。

实施例7：

本实施例在实施例6的基础上，所述步骤2中，根据人体存在夹层的的主动脉部位，如果夹层累及AAO，则判定为TAAD；如果夹层累及DAO，不累及AAO，则判定为TBAD；如果人体主动脉8个部位都不存在夹层，则判定为正常。

实施例8：

本实施例提供一种主动脉夹层检测系统，包括目标边界框提取模块和夹层判断模块；

所述目标边界框提取模块，首先使用第一深度学习模型从人体系列CT切片中检测出目标边界框及其对应类别，不同的类别表示不同的主动脉部位；然后采用序列信息提取单元对人体系列CT切片中的目标边界框进行处理，将最终得到的目标边界框作为感兴趣区域；所述序列信息提取单元工作过程为：

步骤1.1、用系列CT切片中首张检测到目标边界框的切片上的所有目标边界框初始化模板

步骤1.2、对于当前切片，若没有检测到目标边界框时，则记录当前切片信息(切片信息记录在P中)；否则，将当前切片上检测到的所有目标边界框表示为

步骤1.3、将下一张切片作为当前切片，重复步骤1.2，直至所有切片处理完毕；

所述夹层判断模块，利用第二深度学习模型检测目标边界框提取模块各个感兴趣区域是否存在夹层，从而判断各个感兴趣区域对应的主动脉部位是否存在夹层。

本实施例中的系统各模块实现其功能的方法参见实施例1～7中所述主动脉夹层检测方法中的各个步骤。

实施例9：

本实施例提供一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述实施例1～7中所述的主动脉夹层检测方法。

实施例10：

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例1～7中所述的主动脉夹层检测方法。

本发明上述实施例中所提出的主动脉夹层检测方法具有两阶段主动脉夹层检测结构，具体由基于序列信息的感兴趣区域(ROI)提取算法(RESI)和检测网络组成。第一阶段的RESI模块使用YOLOv5和序列信息提取算法(SIE)对切片中的目标进行跟踪，实时更新检测结果，提取最终的感兴趣区域，由此可以在第一阶段实现高精度的感兴趣区域识别和提取。在第二阶段，使用DenseNet-121模型对感兴趣区域进行病变检测；DenseNet-121模型输入为第一阶段提取出的感兴趣区域(各主动脉部位)，输出为感兴趣区域是否有夹层。结合感兴趣区域的夹层检测结果和其所属的切片，以定位该切片中的存在夹层的部位。一张切片中可包含多个感兴趣区域,每个感兴趣区域对应于切片中的一个主动脉部位。因此，某个感兴趣区域被检测出有夹层，其对应该切片的主动脉部位有夹层，最终整个切片也被认定为含有夹层。在从人体的系列CT图像中获得切片级检测结果后，通过统计人体所有切片中各部位的夹层情况，输出主动脉夹层的类型和主动脉夹层的受累部位。整体结构如图4所示。

(1)基于序列信息的感兴趣区域提取算法(RESI)：

感兴趣区域是图像分析中的关键区域，通常由各种算子、分割和检测方法提取。在主动脉夹层检测任务中，数据集来源于人体横截面CT图像(切片)，如图5所示，其中头部和臀部切片为不含目标的图像。有无主动脉夹层病变主要通过图像中主动脉的部位来判断，不含目标的切片中存在着许多类似于目标的区域，很容易影响夹层的检测。因此，需要提取图像中的感兴趣区域，即主动脉部位。为了排除其他无关部位的影响，并考虑到主动脉夹层受累部位的检测，使用YOLOv5和序列信息提取算法(SIE)提取人体系列CT图像中的主动脉部位。

如前所述，YOLOv5在各个部分集成了当前性能优异的计算机视觉组件，实现了高效的检测性能。本实施例使用迁移学习在构建的数据集上加载YOLOv5预训练模型来更好的训练模型。然而，研究发现训练好的YOLOv5模型提取小目标的感兴趣区域时，出现了误检测。根据断层CT切片中主动脉部位出现顺序的空间和时间相关性，本实施例提出了一种序列信息提取算法(SIE)，对系列CT图像的空间连续性和图像中主动脉的生理特征进行处理，以提高感兴趣区域提取的准确性，从而提高主动脉夹层检测的质量。实验中，大多数误检都集中于不含目标的切片中，少数误检是由于影像造影剂等因素的干扰，使得模型无法准确判断。

该算法通过将IOU(Intersection over Union，交并比)大于一定阈值的相邻切片中的目标添加到同一序列中来实时更新跟踪序列集合。如图6所示，考虑了三种主要情况：

1)在一定的缺失范围内，若连续出现某类目标的多个切片之间存在切片t

2)对于当前切片中匹配不到序列的目标，且该目标是出现过的类别，则从该切片中予以删除；

3)如果某类目标没有在多个连续切片中被跟踪(缺失值M

算法模块图如图7所示。本实施例中具体算法如算法1所述，算法输入由患者的CT图像

(2)主动脉夹层检测及分型

为了精准地检测序列CT影像的主动脉夹层情况，本实施例根据切片中提取出的感兴趣区域的检测结果，以确定各切片的夹层检测结果，筛选出病变的切片序列，进一步确定主动脉夹层的病变部位及累及范围。

为了进一步确定感兴趣区域是否含有夹层，本发明分析了ResNet、DenseNet-121和EfficientNetV2在主动脉夹层数据集上的性能，发现DenseNet-121在相同的训练条件下取得了更好的检测性能。因此，本实施例采用DenseNet-121进行感兴趣区域的最终检测。DenseNet-121模型的输入为第一阶段检测出的感兴趣区域，输出为该感兴趣区域是否有夹层。在检测到感兴趣区域后，计算人体的各个主动脉部位存在夹层的切片数量，与相应的阈值β比较，判定各个部位是否存在夹层。此处进行阈值判断主要是为了容错(误检)，阈值β取值依据训练数据中的人体各个部位的切片总数决定。本实施例为最终的主动脉斯坦福分类设计了一个简单的算法，算法流程为：

输入：N＝{N

输出：TAAD or TBAD or正常

对于r∈N，若r>阈值β，则相应的主动脉部位存在夹层；

如果夹层累及AAO(升主动脉)，则检测为存在TAAD的人体；

如果夹层累及DAO(降主动脉)，不累及AAO，则检测为存在TBAD的人体；

如果8个部分都没有任何一个存在夹层，那么检测为正常的人体；

返回：人体的检测结果。

算法描述如算法2所示。

实验验证

(1)数据集构建

本实验收集到人体影像共105例，其中有17个正常人体影像、70个主动脉夹层A型人体影像、18个主动脉夹层B型人体影像。数据集所包含的数据是未经筛选的完整CT影像，人体各部位CT影像如图5所示。本实验中，首先对各个人体数据按照切片顺序进行命名，然后在医学影像专家的指导下，对人体影像中主动脉夹层可能累及的部位进行标注用于训练YOLOv5网络，标注类别共有8个，依次为：无名动脉(IA)、左颈总动脉(LCCA)、左锁骨下动脉(LSA)、主动脉弓(AA)、升主动脉(AAO)、胸降主动脉(DAO)、腹主动脉(AADO)和右髂动脉(RIA)。各类别切片数目统计结果如表1所示。

表格1：各类别切片数目统计结果

为平衡数据样本，训练集有68个人体影像，由50个TAAD人体影像、9个TBAD人体影像和9个正常人体影像组成。剩下的37个人体影像作为测试集，其中有20个TAAD人体影像、9个TBAD人体影像，8个正常人体影像。

(2)指标

精度(P)、召回率(R)、F1-score(F1)、准确率(Acc)作为评价方法性能的指标。计算公式如下，其中tp、fp、tn、fn分别代表真阳性、假阳性、真阴性和假阴性。

(3)主动脉目标检测结果

在感兴趣区域提取评价中，检测出的目标边界框与人工标注的目标边界框的IoU>0.5看作检测正确，基于测试集数据分别计算每个类别的P、R和AP值。mAP@.5表示在IoU阈值为0.5的情况下各个类别的平均AP值，mAP@.5:.95表示设定多个阈值(0.5-0.95，步长为0.05)情况下所计算的平均精度。比较了RESI和YOLOv5在感兴趣区域提取上的性能，如表2所示。其中，labels表示测试集中类别的统计数目。

表格2：感兴趣区域提取性能

如图2所示，所提出的RESI在召回率上的性能平均提高了1.8个百分点，在mAP@.5:.95方面平均提高了1.1个百分点。特别是对IA、LCCA、LSA、RIA等小物体的召回率平均提高了2.7个百分点，这是因为SIE主要用于解决非目标图像中的错误检测问题。

(4)夹层检测结果

测试集有37个人体影像，其中有20个TAAD人体影像、9个TBAD人体影像，8个正常人体影像。实验将所有切片分为两类，病变人体影像为阳性，非病变人体影像为阴性。所有切片都属于人体完整的影像资料，本发明不需要人工筛选出优质的CT影像切片进行检测，在没有对切片进行筛选的情况下。本发明所提出的方法在测试数据集上的切片级性能如表3所示，DenseNet-121的F1得分最高，为94.21％。

表格3：所提出方法在切片级别(slice-level)的性能。

在人体级别的检测中，使用阈值来确定主动脉部位的患病率，当人体主动脉某部位含夹层切片数大于决策阈值时，认为人体该部位含有夹层(被累及)，本实验中将主动脉的病变决策阈值设置为5。本实验测试了所提出的主动脉夹层斯坦福自动分型能力。所提方法在37个人体影像上的准确率如表4所示，达到89.19％。

表格4：所提出方法的人体级别(patient-level)的检测精度

本部分还检测了本发明所提方法对未经筛选的AA、AAO和DAO的部位级(site-level)的检测性能。检测决策阈值分别设置为：AAO为5，DAO为5，AA为3。这3个部分的检测性能比较如表5所示。文献1【X.Xu,Z.He,K.Niu,Y.J.Zhang,T.Hao et al.,“An automaticdetection scheme of acute Stanford type A aortic dissection based on DCNNs inCTA images,”in Proc.International Conference on Multimedia Systems&SignalProcessing, New York,NY,USA,pp.16-20,2019.】中所提方法(表格5中称为“Xu’s”)每个部分的切片是预先通过算法筛选过的图像。在不考虑测试数据差异的情况下，本发明所提方法(Ours)在AAO、DAO和AA部位检测中，取得了更好的性能。该方法显着提高了召回率，每个部位平均提高了11.20个百分点。但其在各部分的检测准确率平均比文献1高2.22个百分点，表明所提出的方法总体上优于文献1中的方法。若对经过人工筛选，去除存在伪影干扰和成像模糊的低质量CT影像，本发明检测精度会更高。

表格5：主动脉夹层部位(site-level)检测结果对比

为了更合理地反映本实验提出的方法的性能，本实验对从主动脉轮廓清晰开始的AA和AAO与DAO同时存在的连续图像进行性能指标，并与文献2【Y.Tan,L.Tan,X.Y.Xiang,H.Tang,J.H.Qin et al.,“Automatic detection of aortic dissection based onmorphology and deep learning,”Computers,Materials&Continua,vol.62,no.3,pp.1201-1215,2020.】中所提方法(表格6中称为“Tan’s”)做对比。结果如表6所示，AANormal、AA with dissection、AAO&DAONormal、AAO&DAO with dissection是指正常的主动脉弓、有夹层的主动脉弓、正常的升主动脉和胸降主动脉、有夹层的升主动脉和胸降主动脉。所提两阶段主动脉夹层方法在AA正常切片、AA含夹层、AAO和DAO共存的正常切片以及AAO和DAO共存的含夹层切片上，分别实现了1、1.5、3.4和1.5个百分点的改进。

表格6：在含AA切片和AAO与DAO共存切片上的分类性能

本实验公开了主动脉夹层的两阶段准确检测算法。通过YOLOV5结合提出的序列信息提取算法提取感兴趣区域，然后Densenet121结合检测算法完成最终检测。在没有预选的情况下，所提方法的准确率在切片级别达到97.41％，在人体级别达到89.19％。特别是，本发明方法可以在一组连续CT中自动检测主动脉夹层的斯坦福分类，且准确率较高。