技术领域
本发明涉及医学影像领域，特别是涉及一种主动脉夹层破口位置的检测方法。
背景技术
主动脉夹层指主动脉腔内血液从主动脉内膜撕裂处进入主动脉中膜，使中膜分离，沿主动脉长轴方向扩展形成主动脉壁的真假两腔分离状态。本病发病率每年每百万人口约5～10例，高峰年龄50～70岁，男:女约2～3:1。65％～70％在急性期死于心脏压塞、心律失常等。故本病的快速诊断和治疗非常必要。根据主动脉夹层破口的定位可以根据破口所处的位置选择相应的手术方案对患者快速及时的治疗。
目前，对于主动脉夹层破口的定位通常依赖于医生根据CTA(CT angiography，CT血管造影)图像进行人工标注，该方法对于医生的经验和水平有一定的要求。因此，为了快速有效地获取主动脉夹层的破口位置的预测结果，以大大减少医生的诊断时间，以快速地选择相应的手术方案对患者进行快速及时的治疗，目前亟需一种主动脉夹层破口位置的检测方法。
发明内容
有鉴于此，本申请提供一种主动脉夹层破口位置的检测方法，通过快速有效地获取主动脉夹层的破口位置的预测结果，以大大减少医生的诊断时间，以快速地选择相应的手术方案对患者进行快速及时的治疗。
本申请提供了一种主动脉夹层破口位置的检测方法，包括：
A、获取待检测的主动脉夹层患者的主动脉区域的3D CTA图像；
B、获取所述3D CTA图像的主动脉夹层真腔及假腔分割的二值化掩膜；以及将所述3D CTA图像的图像像素值转化为Hu值；
C、将所述二值化掩膜的真腔掩膜与所述Hu值相乘并求平均得到真腔的平均Hu值，将所述Hu值设为Mt；以及根据真腔及假腔的二值化真腔掩膜获取真假腔中间的内膜片；
D、将所述内膜片上的获取的[Mt,Mt+50]之间的值所对应的位置作为预测的破口位置。
由上，本申请提供的主动脉夹层破口位置的检测方法，可以自动实现快速有效地获取主动脉夹层的破口位置，以大大减少医生的诊断时间，从而可以根据破口的位置快速地选择相应的手术方案对患者进行快速及时的治疗。
所述步骤D之后还包括：
E、将所述破口位置按照面积由大到小进行排序，选择排序靠前的指定数量的破口位置作为建议的破口位置。
由上，可以更加精确的获取破口位置。
优选地，步骤C所述内膜片的获取方法包括：
对所述3D CTA图像每一层的真假腔掩膜进行膨胀处理，以使得真假腔掩膜的临近的真腔和假腔形成连通域；保留每一层膨胀处理后的面积最大的掩膜；
将每一层膨胀处理后的面积最大的掩膜做腐蚀处理；
将每一层腐蚀处理后的掩膜减去膨胀处理前的真腔和假腔的二值化掩膜就可以得到真腔和假腔中间的内膜片。
由上，通过上述处理可以得到真腔和假腔中间的内膜片。
优选地，所述膨胀处理采用大小为(7,7)的核；所述腐蚀处理采用大小为(3,3)的核。
由上，可以更有利的获取内膜片。
优选地，步骤B所述主动脉夹层真腔及假腔分割的二值化掩膜的获取方法为：
M1、输入患者的主动脉区域的CTA图像至一主动脉夹层分割模型中；
M2、输出所述主动脉夹层部位的真腔和假腔分割的二值化掩膜。
优选地，所述主动脉夹层分割模型的构建方法，包括：
A’、获取指定数量的主动脉夹层患者的主动脉区域的CTA图像；
B’、通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；
C’、根据所述图像特征及所述位置标注信息，通过多任务网络Multi-task UNet进行训练，以获取训练后的主动脉夹层分割模型。
由上，由上，本申请通过上述步骤获取的主动脉夹层分割模型，可以快速有效地获取主动脉夹层的分割预测结果，以大大减少医生的诊断时间，为手术方案制定提供有效地支撑。
优选地，所述步骤C’之后还包括：
D’、选取指定数量的CTA图像作为验证集，对所述主动脉夹层分割模型进行验证；其中，所述CTA图像包含有提取后的图像特征及位置标注信息；包括：
D1’、将验证集中的原始的未标注的CTA图像输入至所述主动脉夹层分割模型中，通过该模型输出所述CTA图像中的主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果；
D2’、将所述预测结果与其对应的CTA图像的的金标准分割的位置标注信息进行重叠度比对以及获取两者之间的Hausdorff距离；
D3’、采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理，继续对所述主动脉夹层分割模型进行训练至所述重叠度最大且所述Hausdorff距离最小。
由上，对于分割任务而言，通过对模型的预测结果与血管外科医生的金标准分割之间的重叠度对比，可以判断模型的预测的精度，其中，重叠度越大越好，说明预测的精度越高。Hausdorff距离越小，说明预测的精确度越高。采用最大化所述重叠度的同时最小化
Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理。以使得主动脉夹层分割模型的预测精度更高。
优选地，步骤D3’所述混合损失函数的获取方式包括：
将所述重叠度进行可微分处理，且将所述Hausdorff距离进行可微分处理；
根据可微分处理后的重叠度以及可微分处理后的Hausdorff距离获取针对主动脉、真腔和假腔的每一分割任务的损失函数；
根据所述每一分割任务的损失函数获取最终的混合损失函数。
由上，由于从重叠度DSC与Hausdorff距离的原始定义来看，两者都是不可微分的，不能够直接用来当作损失函数。因此我们首先将这两种指标进行了可微分近似处理，再进一步据此获取了最终的混合损失函数。
优选地，所述步骤M2之后还包括对主动脉夹层真腔及假腔分割的二值化掩膜的进行后处理，具体为：
N1、对所述二值化掩膜中的主动脉部分选择最大的连通区域，去除其他的误分割；且用最大的二值化连通区域对真腔和假腔相乘，以保证真腔假腔都在主动脉区域内；和\或
N2、采用cv2.GaussianBlur对分割的主动脉，真腔和假腔z轴的每一层进行平滑处理；和\或
N3、对预测结果中真腔、假腔分割重叠部分的处理：
设真腔分割时对图像的体素V预测为前景和背景的概率分别为和P1和P2，P1＞P2；假腔分割时对图像中的体素V预测为前景和别境的概率分别为P3和P4，P3＞P4；计算Δ1＝P1-P2和Δ2＝P3-P4，若Δ1＞Δ2则将体素V归类为真腔，反之归类为假腔。
由上，通过上述处理，可依次实现保证真腔假腔都在主动脉区域内，使得图像分割平滑，以及避免预测结果中真腔和假腔的分割重叠。
综上所述，本申请提供地主动脉夹层破口位置的检测方法，能够快速有效地获取主动脉夹层的破口位置的预测结果，以大大减少医生的诊断时间，从而可以快速根据破口位置地选择相应的手术方案对患者进行快速及时的治疗。
附图说明
图1为本申请实施例提供的一种主动脉夹层破口位置的检测方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图对本申请进行说明。
实施例一
如图1所示，为本申请提供的一种主动脉夹层破口位置的检测方法，包括：
S101，获取待检测的主动脉夹层患者的主动脉区域的3D CTA(三维CT血管成像)图像。3D CTA指静脉注射含碘造影剂后，经计算机对图像进行处理后，可以三维显示血管内部特征的图像。
S102，获取所述3D CTA图像的主动脉夹层真腔及假腔分割的二值化掩膜；以及将所述3D CTA图像的图像像素值转化为Hu值。
其中，所述主动脉夹层真腔及假腔分割的二值化掩膜的获取方法为：
M1、输入患者的主动脉区域的CTA图像至一主动脉夹层分割模型中。
M2、输出所述主动脉夹层部位的真腔和假腔分割的二值化掩膜。
其中，所述步骤M2之后还包括对主动脉夹层真腔及假腔分割的二值化掩膜的进行后处理，具体为：
N1、对所述二值化掩膜中的主动脉部分选择最大的连通区域，去除其他的误分割；且用最大的二值化连通区域对真腔和假腔相乘，以保证真腔假腔都在主动脉区域内；和\或
N2、采用cv2.GaussianBlur对分割的主动脉，真腔和假腔z轴的每一层进行平滑处理；和\或
N3、对预测结果中真腔、假腔分割重叠部分的处理：
设真腔分割时对图像的体素V预测为前景和背景的概率分别为和P1和P2，P1＞P2；假腔分割时对图像中的体素V预测为前景和别境的概率分别为P3和P4，P3＞P4；计算Δ1＝P1-P2和Δ2＝P3-P4，若Δ1＞Δ2则将体素V归类为真腔，反之归类为假腔。
其中，所述主动脉夹层分割模型的构建方法，包括：
A’、获取指定数量的主动脉夹层患者的主动脉区域的CTA图像；所述CTA图像可以来与于已有的大量的主动脉夹层患者的主动脉区域的CTA图像。
B’、通过卷积神经网络对所述CTA图像进行预处理，并提取预处理后的所述CTA图像的主动脉夹层的主动脉、真腔、假腔的图像特征；并且获取金标准分割的主动脉、真腔、假腔的位置标注信息；
其中，所述预处理，包括：
对图像分辨率进行归一化处理，使得x,y,z轴分辨率都为1mm；
将图像像素值转发为Hu值，并把Hu值限制在(0，600)范围内，并对图像Hu值进行归一化处理，得到均值为0，方差为1的图像值；以及
对图像进行随机的[-10,10]度之间的旋转，以进行数据扩充。
通过上述归一化的处理，有利于将数据进标准化统一，有利于后续数据的处理。
C’、根据所述图像特征及所述位置标注信息，通过多任务网络Multi-task UNet进行训练，以获取训练后的主动脉夹层分割模型。其中，在训练过程中采用了自适应学习率策略，初始学习率设置为0.001，每100个循环学习率降低为上一个循环学习率的0.95倍。
其中，所述步骤C’之后还包括：
D’、选取指定数量的CTA图像作为验证集，对所述主动脉夹层分割模型进行验证；其中，所述CTA图像包含有提取后的图像特征及位置标注信息；包括：
D1’、将验证集中的原始的未标注的CTA图像输入至所述主动脉夹层分割模型中，通过该模型输出所述CTA图像中的主动脉夹层部位的主动脉、真腔和假腔的分割的预测结果；
D2’、将所述预测结果与其对应的CTA图像的的金标准分割的位置标注信息进行重叠度比对以及获取两者之间的Hausdorff距离；其中，模型的预测结果与血管外科医生的金标准分割之间的重叠度重叠度越大，说明预测结果越准确。可以根据分割的预测结果来测量主动脉最大直径等参数，根据这些参数来选取合适尺寸的主动脉支架。这种重叠度可以用Dice Similarity Score(DSC)来衡量。Hausdorff距离为模型对主动脉、真腔和假腔的自动分割结果与金标准分割之间的‘距离’，该值越小越好，说明预测结果越准确。从而使得根据模型自动分割结果计算出来的夹层参数应用于临床决策中时是可靠的。
D3’、采用最大化所述重叠度的同时最小化Hausdorff距离的混合损失函数策略对所述主动脉夹层分割模型进行优化处理，继续对所述主动脉夹层分割模型进行训练至所述重叠度最大且所述Hausdorff距离最小。
其中，步骤D3’所述混合损失函数的获取方式包括：
将所述重叠度进行可微分处理，且将所述Hausdorff距离进行可微分处理；
根据可微分处理后的重叠度以及可微分处理后的Hausdorff距离获取针对主动脉、真腔和假腔的每一分割任务的损失函数；
根据所述每一分割任务的损失函数获取最终的混合损失函数。
其中，所述重叠度的可微分的表达式为：
其中，为模型输入的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；则表示背景或前景的标签，则表示的第i个体素；
ρ为模型输出的每个分割任务的标签；c为类别，包括背景和前景，分别用0,1表示；ρc则表示背景或前景的标签，则表示ρc的第i个体素；
其中，若假设标签的尺寸为a×b×c，则体素的个数为a×b×c；
其中，和分别表示两个体素值相乘；
所述Hausdorff距离的可微分的表达式为：
其中，Γi1和Γi2分别是金标准Γ1和模型预测结果Γ2的第i层图像的轮廓；D表示轮廓所在的二值图像；f(x)表示表示任意连续严格单调函数；是函数在D上的面积分；m(D)是由二值图像D计算得到的一个常数。
其中，每一分割任务的损失函数的表达式为：
其中，所述混合损失函数的表达式为：
i表示主动脉、真腔、假腔；表示主动脉分割任务损失函数、真腔分割任务损失函数、假腔分割任务损失函数。
通过上述优化处理，可以使得主动脉夹层分割模型的预测更加准确。
S103，将所述二值化掩膜的真腔掩膜与所述Hu值相乘并求平均得到真腔的平均Hu值，将所述Hu值设为Mt；以及根据真腔及假腔的二值化真腔掩膜获取真假腔中间的内膜片。
S104，将所述内膜片上的获取的[Mt,Mt+50]之间的值所对应的位置作为预测的破口位置。
S105，将所述破口位置按照面积由大到小进行排序，选择前三个破口位置作为建议的破口位置。
综上所述，本申请实现了快速有效地获取主动脉夹层的分割预测结果，并且本申请还对预测结果进行了后处理以增加预测结果的准确度，大大减少了医生的诊断时间，为手术方案制定提供有效地支撑。例如，我们可以根据预测的分割结果来测量主动脉最大直径等参数，根据这些参数来选取合适尺寸的主动脉支架。再比如，我们期望能根据真腔自动分割的结果计算真腔的直径等参数，以此来评估夹层的严重程度，据此来选取不同的治疗策略。还可以通过计算术前术后假腔的参数来对手术效果进行评估。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。