基於血管定向濾波網路的腦血管分割

Core Concepts

本文提出了一種名為 VOF-Net 的新型深度學習方法，用於從 MRA 和 CTA 影像中分割腦血管，該方法通過整合血管定向濾波模組，有效提升了對細小血管和邊界的分割準確度。

Abstract

論文資訊

Zhanqiang Guo, Yao Luan, Jianjiang Feng, Wangsheng Lu, Yin Yin, Guangming Yang, & Jie Zhou. (2022). Cerebrovascular Segmentation via Vessel Oriented Filtering Network. arXiv preprint arXiv:2210.08868.

研究目標

本研究旨在開發一種更準確地從磁共振血管造影 (MRA) 和電腦斷層血管造影 (CTA) 影像中自動分割腦血管的方法。

方法

本研究提出了一種名為「血管定向濾波網路 (VOF-Net)」的深度學習方法，該方法結合了領域知識和深度學習的優勢。VOF-Net 主要由三個模組組成：方向估計網路、定向濾波模組和分割網路。

1. 方向估計網路 (OEN)：基於 3DUnet 架構，利用訓練樣本的血管中心線方向，預測血管的方向場和血管概率圖。
2. 定向濾波模組 (OFM)：根據 OEN 預測的血管方向和概率，設計定向濾波器，提取血管特徵，並將其嵌入到分割網路中。
3. 分割網路：基於 3DUnet 架構，結合 OFM 提取的血管特徵，進行血管分割。

主要發現

• 在公開的 MRA 數據集和 CTA 數據集上進行的實驗結果表明，VOF-Net 在 Dice 相似係數 (DSC)、靈敏度 (Sen) 和平均 Hausdorff 距離 (AHD) 等指標上均優於現有的血管分割方法。
• 與未嵌入定向濾波模組的網路相比，VOF-Net 的分割性能顯著提升，證明了整合血管結構先驗知識的有效性。

主要結論

VOF-Net 是一種有效的腦血管分割方法，通過將血管定向濾波模組嵌入到深度學習網路中，可以顯著提高分割的準確性，特別是在細小血管和邊界區域的表現更為出色。

意義

準確的腦血管分割對於腦血管疾病的診斷和治療至關重要。VOF-Net 為自動化腦血管分割提供了一種有效的方法，有助於提高臨床診斷和治療的效率和準確性。

局限與未來研究方向

• VOF-Net 是一個兩階段方法，並非端到端訓練，未來可以朝向端到端訓練的方向發展。
• 目前 VOF-Net 主要應用於腦血管分割，未來可以嘗試將其應用於其他管狀結構的分割，例如冠狀動脈。

Stats

與未嵌入定向濾波模組的網路相比，VOF-Net 在 MRA 數據集上的 DSC 分數提高了 2.11%，在 CTA 數據集上提高了 5.97%。
在 MRA 數據集上，血管中心線方向的平均餘弦距離為 0.092（即 24°）。
在 CTA 數據集上，血管中心線方向的平均餘弦距離為 0.124（即 28°）。

Quotes

"However, these methods fail to explicitly consider the peculiarities of the vascular structure, namely, blood vessels are curved and elongated tubular structure."
"Experiments on CTA and MRA datasets show that our proposed method yields better result than other popular vascular segmentation methods."

Key Insights Distilled From

Cerebrovascular Segmentation via Vessel Oriented Filtering Network

by Zhanqiang Gu... at arxiv.org 11-22-2024

https://arxiv.org/pdf/2210.08868.pdf

Deeper Inquiries

除了 MRA 和 CTA 影像，VOF-Net 是否可以應用於其他醫學影像模態的血管分割，例如數位減影血管造影 (DSA)？

VOF-Net 的核心概念是利用血管方向性資訊來提升分割效果。因此，理論上只要該醫學影像模態能呈現血管的結構特徵，並能從中提取出血管方向資訊，VOF-Net 就有機會應用於該模態的血管分割。
以數位減影血管造影 (DSA) 為例，它是一種透過注射顯影劑來突顯血管的 X 光成像技術，能清晰呈現血管的形態。因此，我們可以嘗試將 VOF-Net 應用於 DSA 影像的血管分割。
然而，不同醫學影像模態的成像原理、影像特性和雜訊類型都可能有所差異。直接將 VOF-Net 應用於 DSA 影像分割可能會遇到以下挑戰：

影像雜訊差異: DSA 影像可能存在骨骼遮蔽、顯影劑不均勻等 DSA 特有雜訊，這些雜訊可能會影響血管方向的準確估計，進而影響 VOF-Net 的分割效能。
血管對比度差異: DSA 影像的血管對比度通常比 MRA 和 CTA 影像更高，這可能會影響 VOF-Net 中方向估計網路和分割網路的訓練效果。
因此，若要將 VOF-Net 應用於 DSA 影像分割，需要根據 DSA 影像的特性進行調整和優化，例如：

方向估計網路調整: 可以考慮使用針對 DSA 影像設計的預處理方法來降低雜訊和骨骼遮蔽的影響，或者調整方向估計網路的結構和參數，使其更適合 DSA 影像的特性。
訓練資料擴充: 使用更多 DSA 影像資料進行訓練，並考慮使用資料增強技術來增加資料的多樣性，以提升模型的泛化能力。
總之，VOF-Net 有潛力應用於 DSA 影像的血管分割，但需要根據 DSA 影像的特性進行調整和優化。

如果訓練數據集中血管的形態存在較大差異，例如包含不同程度的狹窄或阻塞，VOF-Net 的性能是否會受到影響？

如果訓練數據集中血管形態差異較大，例如包含不同程度的狹窄或阻塞，VOF-Net 的性能的確可能會受到影響。主要原因如下：

方向估計困難: VOF-Net 的核心是利用血管方向資訊來輔助分割。然而，血管狹窄或阻塞會導致血管形態改變，使得方向估計變得更加困難。
特徵學習偏差: 如果訓練數據集中某種形態的血管佔比較高，模型可能會對該形態的血管產生學習偏差，導致在遇到其他形態血管時，分割性能下降。
為了減輕訓練數據集中血管形態差異對 VOF-Net 性能的影響，可以考慮以下方法：

資料增強: 透過旋轉、縮放、彈性變形等方式擴充訓練資料，增加不同形態血管的樣本數量，提升模型對不同形態血管的泛化能力。
多任務學習: 可以將血管分割任務分解成多個子任務，例如血管中心線提取、血管直徑估計等，並設計多任務學習框架，讓模型同時學習多個相關任務，從而提升模型對血管形態變化的魯棒性。
引入形變模型: 可以考慮將形變模型引入 VOF-Net 中，例如使用可變形卷積或圖卷積網路來更好地捕捉血管的形變資訊，提升模型對不同形態血管的適應性。
總之，訓練數據集中血管形態差異是影響 VOF-Net 性能的重要因素。透過資料增強、多任務學習、引入形變模型等方法，可以提升 VOF-Net 對不同形態血管的適應性和魯棒性。

如何將 VOF-Net 的血管分割結果應用於更下游的臨床應用，例如血管疾病的自動診斷或手術規劃？

VOF-Net 的血管分割結果可以作為重要的影像資訊，應用於更下游的臨床應用，例如血管疾病的自動診斷或手術規劃，為醫生提供更精確的診斷依據和治療方案。以下是一些具體的應用方向：
1. 血管疾病自動診斷:

血管狹窄/阻塞檢測: 利用 VOF-Net 準確分割血管，可以計算血管的直徑、曲率等形態學參數，並結合臨床診斷標準，自動檢測血管狹窄或阻塞的區域，輔助醫生診斷動脈粥樣硬化、腦血管疾病等。
動脈瘤識別: 通過分析 VOF-Net 分割出的血管形態，可以識別出動脈瘤等異常血管結構，並計算動脈瘤的大小、形狀等指標，為醫生提供重要的診斷依據。
血管病變分類: 結合影像組學技術，提取 VOF-Net 分割結果的紋理、形狀等特徵，並結合機器學習方法，建立血管病變的自動分類模型，輔助醫生進行更精確的診斷。
2. 手術規劃:

手術導航: 將 VOF-Net 分割出的血管三維模型與手術導航系統結合，可以為醫生提供實時的血管影像資訊，輔助醫生精確定位病變血管，提高手術的安全性。
虛擬支架置放: 在進行血管介入治療前，可以利用 VOF-Net 分割出的血管模型進行虛擬支架置放，模擬手術過程，預測手術效果，優化手術方案。
術後評估: 通過比較術前和術後 VOF-Net 分割出的血管模型，可以評估手術效果，例如血管再狹窄的程度等，為醫生提供重要的參考依據。
需要注意的是， 將 VOF-Net 應用於臨床診斷和治療決策，需要進行嚴格的臨床驗證，確保其安全性和有效性。 此外，還需要與醫生和其他醫學影像技術相結合，才能發揮更大的臨床價值。