基于自适应采样与Dense机制的颅内动脉瘤血管多结构分割

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。