[0001] 本发明属于医学影像分割技术领域，具体涉及基于结构保留无监督域自适应的CTA影像颅内血管分割方法。

[0002] 脑血管疾病(Cerebrovascular Diseases，CVDs)严重威胁人类健康，从医学影像中快速准确地分割颅内血管可以为相关疾病的诊断与评估提供可靠的临床依据。数字减影血管造影(Digital Subtraction Angiography，DSA)、磁共振血管造影(Magnetic Resonance Angiography，MRA)与计算机断层扫描血管造影(Computed Tomography Angiography，CTA)是几种重要的CVDs影像学检查手段。由于无创、便捷与低开销的优点，CTA成像技术在临床的血管疾病检查中得到了广泛的应用。

[0003] 近年来，基于深度学习技术的医学影像分割研究取得了一定突破，U‑Net与ResU‑Net等多种网络在各项分割任务中取得了优秀的表现，成为医学影像分割领域的基准方法。以此方法为基础，A.Nazir等人提出了基于监督学习的颅内血管分割方法。此类监督学习方法依赖于数据的完整像素级标注，当标注数据较少时，可能会有表现下降和过拟合等问题，然而获取大量有标注的颅内血管影像是十分费时费力的。为了缓解数据标注费时费力的问题，部分研究提出了针对于心脏子结构分割与脑组织分割的无监督域自适应(Unsupervised Domain Adaptation,UDA)医学影像分割方法，如C.Chen等人提出的SIFA方法与X.Bian等人提出的DDA‑Net方法。这些方法通过特征对齐与图像对齐实现了无监督域自适应医学影像分割，但是在精细的颅内血管分割任务上存在表现下降的问题。

[0004] 现有的监督学习方法皆需要CTA模态的颅内血管具有完整的手工像素标注，而标注的获取需要大量的学习、人工和时间成本。虽然已有部分研究提出了用于缓解数据标注压力的UDA分割方法，但现有UDA方法在颅内血管分割任务中存在明显的结构不匹配问题，该问题会严重地影响分割精度。

[0039] 下面将结合附图和具体实施方式，对本发明作进一步描述。

[0040] 基于结构保留无监督域自适应的CTA影像颅内血管分割方法，如图1所示，包括以下步骤：

[0041] 步骤1：构建脑部影像初始数据集；

[0042] 收集脑部三维MRA影像与三维CTA影像，对MRA影像中的血管区域位置进行标注，然后对MRA影像与CTA影像进行切片处理，得到脑部影像初始样本集。样本的示例如图8所示，其中a为MRA模态影像示例，b为MRA模态影像对应的血管区域标注示例，c为CTA模态影像示例；

[0043] 步骤2：对脑部影像初始数据集进行预处理；

[0044] 步骤2.1：对所有MRA影像以[0，300]的HU值范围进行调窗处理，使颅内血管结构更清晰，减轻不相关部分的干扰；

[0045] 步骤2.2：对所有CTA影像以[‑1024，1024]的HU值范围进行调窗处理，使颅内血管结构更清晰，减轻不相关部分的干扰；

[0046] 步骤2.3：对调窗处理后的所有切片的HU值进行线性缩放；调整到[‑1,1]的区间内；

[0047] 步骤3：对预处理后的脑部影像初始样本集进行划分，划分为训练样本集与验证样本集；

[0048] 从预处理后的初始样本集进行划分，将所有MRA影像以及对应的颅内血管区域标注加入训练样本集，将随机的M个CTA影像样本加入训练样本集，其他CTA影像样本加入验证样本集。

[0049] 步骤4：构建如图3所示的框架图中需要用到的模型与模块，包括图像风格转换模型、判别模型、结构信息提取模块、感知损失模型和分割模型。

[0050] 步骤4.1：构建如图5所示的基于ResU‑Net的图像风格转换模型GS与GT，两个模型的目的分别在于将CTA影像转换为伪MRA影像，将MRA影像转换为伪CTA影像；

[0051] 步骤4.2：构建如图5所示的基于PatchGAN的判别模型DS与DT，两个模型的目的分别在于判别MRA影像的真伪，判别CTA影像的真伪；

[0052] 步骤4.3：构建如图6所示的基于图卷积神经网络的结构信息提取模块GCNS与GCNT，两个模块的目的在于从GS于GT的输出的特征中提取结构信息；

[0053] 步骤4.4：构建如图7所示的基于VGG19的感知损失模型Netpl，该模型的目的在于从影像内容的边缘中提取结构信息；

[0054] 步骤4.5：构建如图5所示的基于ResU‑Net的深度学习图像分割模型SegS与SegT，两个模型的目的在于对MRA影像于CTA影像进行分割；

[0055] 步骤5：训练图像风格转换模型、判别模型、结构信息提取模块和分割模型；具体训练步骤如图2所示；

[0056] 步骤5.1：使用GT将MRA影像转换为伪CTA影像，使用GS将伪CTA影像转换为重建MRA影像；使用GS将CTA影像转换为伪MRA影像，使用GT将伪MRA影像转换为重建CTA影像；计算重建图像与原本真实图像之间的损失；

[0057] 步骤5.2：如图4所示，在图像风格转换过程中使用结构保留方法计算结构保留损失。一方面，分别使用GCNS与GCNT从GS与GT输出的特征中提取结构信息，并使用L1损失计算结构信息之间的相似性，得到特征级别结构保留损失 该损失的表达式如公式(1)所示：

[0058]

[0059] 其中sS是属于分布S的真实MRA模态影像，tT是属于分布T的真实CTA模态影像，fS为S S→T TGT从真实MRA影像s中提取的特征，f 为GS从伪CTA影像中提取的特征，f 为GS从真实CTA影T T→S
像t中提取的特征，f 为GS从伪MRA影像中提取的特征。

[0060] 另一方面，使用Netpl从真实图像与伪图像中提取结构信息并使用平均平方误差计算图像结构信息之间的相似性，得到图像级别结构保留损失 该损失的表达式如公式(2)所示：

[0061]

[0062] 其中 和 分别为感知损失模型Netpl从真实MRA影像、伪CTA影像、真实CTA影像和伪MRA影像中提取的特征。

[0063] 此步骤中得到的结构保留损失可以鼓励图像风格转换模型GT与GS在图像风格转换过程中保留原本的结构信息，因此可以提高风格转换的表现，进而提高颅内血管分割表现；

[0064] 步骤5.3：使用分割网络SegS分割步骤5.1中得到的MRA影像、伪MRA影像与重建的MRA影像；使用分割网络SegT分割步骤5.1中得到的CTA影像、伪CTA影像与重建的CTA影像；使用Dice损失计算分割结果与真实血管区域标注之间的差别以及各个分割结果之间的语义一致性损失；

[0065] 步骤5.4：使用判别模型DS对步骤5.1中GS生成的伪MRA影像的真实性进行评分并得到对抗损失，使用判别模型DT对步骤5.1中生成的伪CTA影像的真实性进行评分并得到对抗损失，根据权重对步骤5.1、步骤5.2、步骤5.3与步骤5.4中得到的损失进行加权求和，使用Adam优化器根据总损失优化图像风格转换模型GS与GT、结构信息提取模块GCNS与GCNT和分割模型SegS与SegT；

[0066] 步骤5.5：将真实MRA影像和伪MRA影像输入DS，计算判别损失，使用Adam优化器根据判别损失优化DS，提高判别模型DS的辨别能力；将真实CTA影像和伪CTA影像输入DT，计算判别损失，使用Adam优化器根据判别损失优化判别模型DT，提高DT的辨别能力；

[0067] 步骤6：对待分割的CTA影像进行切片处理和预处理，将预处理后的切片输入分割模型SegT并得到分割结果，单张切片的颅内血管区域分割结果如图9所示。将所有切片按照原本的位置关系合并为三维数据，得到模型对颅内血管区域的最终分割结果。