摘要：颅内动脉瘤是一种具有较高致死和致残率的常见脑血管疾病。近年来,临床对基于影像的智能化和精准化的疾病诊断策略提出了迫切需求,其中血管及病灶的精准分割是其重要基础。本文提出了一种新型的颅内动脉瘤血管多结构分割框架,利用血管先验灰度特征建立了自适应的数据采样方法,并设计了一种基于Dense机制的深度网络模型实现血管分割。本文收集了135例颅内动脉瘤患者(年龄分布:54.7±12.7岁,75名男性)的飞行时间磁共振血管影像进行模型的训练和测试。相比于原空间采样和图像压缩方法(平均Dice相似性系数:0.829和0.780),自适应采样方法可以明显提升血管分割的精度(平均Dice相似性系数:0.858);与经典的3D UNet、SegNet和DeepLabV3+网络相比(平均Dice相似性系数:0.854,0.824和0.800),基于Dense机制的网络能够利用更少的计算资源实现更优的分割效果,对于不同位置和大小的动脉瘤也表现出良好的分割鲁棒性。

摘要：目的为医生介入手术训练时提供更加直观的位置参考信息,设计了一种快速检测导丝位置的方法。方法以YOLO算法为基本框架,将视频帧中的导丝头端建模为单一检测目标,通过优化网格划分尺度来实现准确的导丝实时检测。本研究基于体外介入模拟操作平台共采集50个视频序列,从40个视频中随机收集8000张独立帧作为训练样本,基于10个完整视频序列收集的1960张独立帧进行算法测试,以预测框与真实框交并比为检测精度评价指标,并进一步分析非YOLO和YOLO方法在4个不同主动脉解剖区域的检测鲁棒性。结果在12×20网格尺度和交并比大于0.5为预测准确的条件下,YOLO算法的导丝检测的准确率达到了0.9954,检测帧率为333 fps。由于血管遮挡的干扰,非YOLO和YOLO方法在腹主动脉区域检测精度有所下降,但基于YOLO的检测方法能够有效降低血管遮挡的影响。结论基于YOLO算法能够实现更加精准的导丝检测,且在不同主动脉区域均表现出具有良好的鲁棒性,能够为医生介入手术训练过程提供实时有效的视觉辅助。