基于多尺度空间特征的冠状动脉CT血管造影图像分割网络

doi:10.11772/j.issn.1001-9081.2024060853

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (6): 2007-2015.DOI: 10.11772/j.issn.1001-9081.2024060853

• 多媒体计算与计算机仿真 • 上一篇

基于多尺度空间特征的冠状动脉CT血管造影图像分割网络

陈盈涛¹, 方康康¹, 张金敖¹, 梁浩然¹, 郭焕斌², 邱兆文¹()

^1.东北林业大学计算机与控制工程学院，哈尔滨 150040
^2.中国共产党高平市委员会社会工作部，山西高平 048400

收稿日期:2024-06-24 修回日期:2024-09-27 接受日期:2024-10-09 发布日期:2024-10-29 出版日期:2025-06-10
通讯作者: 邱兆文
作者简介:陈盈涛（1999—），男，浙江临海人，硕士研究生，主要研究方向：医学影像分析
方康康（2000—），男，河南信阳人，硕士研究生，主要研究方向：医学影像分析
张金敖（1998—），男，山东寿光人，硕士研究生，主要研究方向：医学影像分析
梁浩然（1999—），山东菏泽人，硕士研究生，主要研究方向：医学影像分析
郭焕斌（1976—），山西高平人，高级工程师，主要研究方向：信息系统项目管理
邱兆文（1974—），男，黑龙江哈尔滨人，教授，博士，CCF杰出会员，主要研究方向：医学人工智能、虚拟现实。qiuzw@nefu.edu.cn
基金资助:
黑龙江省重点研发计划项目(2023ZX02C10)

Segmentation network of coronary artery structure from CT angiography images based on multi-scale spatial features

Yingtao CHEN¹, Kangkang FANG¹, Jin’ao ZHANG¹, Haoran LIANG¹, Huanbin GUO², Zhaowen QIU¹()

^1.College of Computer and Control Engineering，Northeast Forestry University，Harbin Heilongjiang 150040，China
^2.Social Work Department，Communist Party of China Gaoping Municipal Committee，Gaoping Shanxi 048400，China

Received:2024-06-24 Revised:2024-09-27 Accepted:2024-10-09 Online:2024-10-29 Published:2025-06-10
Contact: Zhaowen QIU
About author:CHEN Yingtao， born in 1999， M. S. candidate. His research interests include medical image analysis.
FANG Kangkang， born in 2000， M. S. candidate. His research interests include medical image analysis.
ZHANG Jin’ao， born in 1998， M. S. candidate. His research interests include medical image analysis.
LIANG Haoran， born in 1999， M. S. candidate. His research interests include medical image analysis.
GUO Huanbin， born in 1976， senior engineer. His research interests include information system project management.
QIU Zhaowen， born in 1974， Ph. D.， professor. His research interests include medical artificial intelligence， virtual reality.
Supported by:
Heilongjiang Provincial Key Research and Development Plan(2023ZX02C10)

摘要/Abstract

摘要：

冠状动脉血管形态结构的复杂性以及计算机断层扫描（CT）血管造影（CTA）图像的采集条件差异会导致图像灰度分布不均匀、运动伪影和噪声等图像质量问题，进而产生冠状动脉结构分割时的漏判和误判问题。因此，提出一种基于多尺度空间特征的冠状动脉CTA图像分割网络——三维多尺度并行网络（MSP-Net）。首先，针对冠状动脉的空间跨度大和局部占比小的特点，采用多尺度网络分别提取冠状动脉CTA图像的全局特征和局部特征并融合它们，保证冠状动脉结构特征的完整提取；其次，冠状动脉重建采用由粗到细的思想，增强图像特征的冗余性，确保冠状动脉的边界分明，再利用不同尺度特征度融合方法重建冠状动脉结构，以提高分割结果的准确率，减少漏判和误判；最后，为了加快网络的训练，采用深监督策略，在不同网络层级上引入监督信号，从而提高训练效率。实验结果表明，所提网络在冠状动脉自动分割任务中的平均Dice相似系数（DSC）达到87.16%，比nnU-Net和Swin UNETR （Swin UNEt TRansformers）分别提高了4.04和2.31个百分点，而平均95%豪斯多夫距离（HD95）达到3.69 mm，比nnU-Net和Swin UNETR分别降低了14.43 mm和13.75 mm。可见，所提网络能有效提高冠状动脉结构的分割精度，有助于临床医生更准确地了解患者冠状动脉结构，从而更有效地评估病情。

关键词: 冠状动脉分割, 计算机断层扫描血管造影, 计算机辅助诊断, 多尺度融合, 语义分割

Abstract:

Owning to the complex morphological structure of coronary artery and the variations in acquisition conditions of Computed Tomography （CT） Angiography （CTA） images， image quality issues such as uneven distribution of image gray scale， motion artifacts and noise， result in missed judgements and misjudgement problems in segmentation of coronary artery structure. Therefore， a segmentation network of coronary artery structure from CTA images based on multi-scale spatial features — Three-Dimensional （3D） Multi-Scale Parallel Net （MSP-Net） was proposed. Firstly， in view of characteristics of large spatial span and small local proportion of coronary artery， a multi-scale parallel fusion network was used to extract global features and local features from coronary artery CTA images respectively for fusion to ensure the complete extraction of coronary artery structure features. Secondly， by adopting a coarse to fine idea in coronary artery reconstruction to enhance redundancy of the image features， thereby ensuring clear boundaries of coronary artery， and then the coronary artery structure was reconstructed using the fusion method of different scale features to enhance accuracy of the segmentation results， thereby reducing missed judgements and misjudgments. Finally， in order to accelerate training process of the network， supervision signals were adopted at different network depths by adopting deep supervision strategy to improve training efficiency. Experimental results show that in coronary artery automatic segmentation task， the average Dice Similarity Coefficient （DSC） of the proposed network reaches 87.16%， which is 4.04 and 2.31 percentage points higher than those of nnU-Net and Swin UNETR （Swin UNEt TRansformers）， and the average 95% Hausdorff Distance （HD95） of the proposed network reaches 3.69 mm， which is 14.43 mm and 13.75 mm lower than those of nnU-Net and Swin UNETR. It can be seen that the proposed network can improve segmentation accuracy of coronary artery structure effectively， and help clinicians to understand the coronary artery structure of patients more accurately， so as to evaluate the disease more effectively.

Key words: coronary artery segmentation, Computed Tomography Angiography (CTA), computer-aided diagnosis, multi-scale fusion, semantic segmentation

中图分类号:

TP391.41

陈盈涛, 方康康, 张金敖, 梁浩然, 郭焕斌, 邱兆文. 基于多尺度空间特征的冠状动脉CT血管造影图像分割网络[J]. 计算机应用, 2025, 45(6): 2007-2015.

Yingtao CHEN, Kangkang FANG, Jin’ao ZHANG, Haoran LIANG, Huanbin GUO, Zhaowen QIU. Segmentation network of coronary artery structure from CT angiography images based on multi-scale spatial features[J]. Journal of Computer Applications, 2025, 45(6): 2007-2015.

图/表 11

参考文献 36

1	World Heart Federation. World heart report 2023： confronting the world’s number one killer ［R/OL］. ［2024-10-20］..
2	《中国心血管健康与疾病报告2022》编写组.《中国心血管健康与疾病报告2022》概述［J］. 中国心血管病研究， 2023， 21（7）： 577-600.
	The Writing Committee of the report on cardiovascular health and diseases in China 2022. Overview of report on cardiovascular health and diseases in China 2022［J］. Chinese Journal of Cardiovascular Research， 2023， 21（7）： 577-600.
3	KNUUTI J， WIJNS W， SARASTE A， et al. 2019 ESC Guidelines for the diagnosis and management of chronic coronary syndromes： the task force for the diagnosis and management of chronic coronary syndromes of the European Society of Cardiology （ESC）［J］. European Heart Journal， 2020， 41（3）： 407-477.
4	GULATI M， LEVY P D， MUKHERJEE D， et al. 2021 AHA/ACC/ASE/CHEST/SAEM/SCCT/SCMR Guideline for the evaluation and diagnosis of chest pain： a report of the American college of cardiology/American heart association joint committee on clinical practice guidelines ［J］. Circulation， 2021， 144（22）： e368-e454.
5	高扬，吕滨. 冠状动脉CT血管成像最新临床应用推荐及诊断规范［J］.中华放射学杂志， 2022， 56（10）： 1160-1164.
	GAO Y， LYU B. The latest clinical application recommendation and diagnostic criteria of coronary CT angiography［J］. Chinese Journal of Radiology， 2022， 56（10）： 1160-1164.
6	BENEDEK T， MESTER A， BENEDEK A， et al. Assessment of coronary plaque vulnerability in acute coronary syndromes using optical coherence tomography and intravascular ultrasound. a systematic review［J］. Journal of Cardiovascular Emergencies， 2016， 2（4）： 173-184.
7	RODRIGUEZ-GRANILLO G A， CARRASCOSA P， BRUINING N， et al. Defining the non-vulnerable and vulnerable patients with computed tomography coronary angiography： evaluation of atherosclerotic plaque burden and composition［J］. European Heart Journal — Cardiovascular Imaging， 2016， 17（5）： 481-491.
8	BARKANA B D， SARICICEK I， YILDIRIM B. Performance analysis of descriptive statistical features in retinal vessel segmentation via fuzzy logic， ANN， SVM， and classifier fusion ［J］. Knowledge-Based Systems， 2017， 118： 165-176.
9	YANG H， ZHEN X， CHI Y， et al. CPR-GCN： conditional partial-residual graph convolutional network in automated anatomical labeling of coronary arteries［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 3802-3810.
10	郭笑妍，梅雪，李振华，等. 形状约束下活动轮廓模型冠脉血管图像多尺度分割［J］. 中国图象图形学报， 2016， 21（7）： 923-932.
	GUO X Y， MEI X， LI Z H， et al. Multi-scale segmentation of coronary artery image based on active contour model with shape constraints［J］. Journal of Image and Graphics， 2016， 21（7）： 923-932.
11	罗宇杰，祝磊，马骏，等. 一种基于CTA图像的冠状动脉自动分割算法［J］. 传感技术学报， 2022， 35（11）： 1491-1498.
	LUO Y J， ZHU L， MA J， et al. An automatic coronary artery segmentation algorithm based on CTA［J］. Chinese Journal of Sensors and Actuators， 2022， 35（11）： 1491-1498.
12	SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 3431-3440.
13	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 2015 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9351. Cham： Springer， 2015： 234-241.
14	ÇIÇEK Ö， ABDULKADIR A， LIENKAMP S S， et al. 3D U-Net： learning dense volumetric segmentation from sparse annotation［C］// Proceedings of the 2016 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9901. Cham： Springer， 2016： 424-432.
15	MILLETARI F， NAVAB N， AHMADI S A. V-Net： fully convolutional neural networks for volumetric medical image segmentation ［C］// Proceedings of the 4th International Conference on 3D Vision. Piscataway： IEEE， 2016： 565-571.
16	MOU L， ZHAO Y， FU H， et al. CS²-Net： deep learning segmentation of curvilinear structures in medical imaging［J］. Medical Image Analysis， 2021， 67： No.101874.
17	WANG Y， WEI X， LIU F， et al. Deep distance transform for tubular structure segmentation in CT scans［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 3832-3841.
18	ZHOU Z， SIDDIQUEE M M R， TAJBAKHSH N， et al. UNet++： a nested U-Net architecture for medical image segmentation［C］// Proceedings of the 2018 International Workshop on Deep Learning in Medical Image Analysis， LNCS 11045. Cham： Springer， 2018： 3-11.
19	ISENSEE F， JAEGER P F， KOHL S A A， et al. nnU-Net： a self-configuring method for deep learning-based biomedical image segmentation ［J］. Nature Methods， 2021， 18（2）： 203-211.
20	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16×16 words： transformers for image recognition at scale［EB/OL］. ［2024-06-22］..
21	HATAMIZADEH A， TANG Y， NATH V， et al. UNETR： Transformers for 3D medical image segmentation ［C］// Proceedings of the 2022 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2022： 1748-1758.
22	HATAMIZADEH A， NATH V， TANG Y， et al. Swin UNETR： Swin Transformers for semantic segmentation of brain tumors in MRI images［C］// Proceedings of the 2021 International MICCAI Brainlesion Workshop， LNCS 12962. Cham： Springer， 2022： 272-284.
23	JIANG W， LI Y， JIA Y， et al. Ori-Net： orientation-guided neural network for automated coronary arteries segmentation［J］. Expert Systems with Applications， 2024， 238（Pt C）： No.121905.
24	CHEN F， LI S， WEI C， et al. Positive-unlabeled learning for coronary artery segmentation in CCTA images［J］. Biomedical Signal Processing and Control， 2024， 87（Pt B）： No.105473.
25	NANNINI G， SAITTA S， BAGGIANO A， et al. A fully automated deep learning approach for coronary artery segmentation and comprehensive characterization［J］. APL Bioengineering， 2024， 8（1）： No.016103.
26	GHARLEGHI R， ADIKARI D， ELLENBERGER K， et al. Automated segmentation of normal and diseased coronary arteries — the ASOCA challenge［J］. Computerized Medical Imaging and Graphics， 2022， 97： No.102049.
27	GHARLEGHI R， ADIKARI D， ELLENBERGER K， et al. Annotated computed tomography coronary angiogram images and associated data of normal and diseased arteries［J］. Scientific Data， 2023， 10： No.128.
28	MEDRANO-GRACIA P， ORMISTON J， WEBSTER M， et al. A computational atlas of normal coronary artery anatomy［J］. EuroIntervention， 2016， 12（7）： 845-854.
29	MEDRANO-GRACIA P， ORMISTON J， WEBSTER M， et al. Construction of a coronary artery atlas from CT angiography［C］// Proceedings of the 2014 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 8674. Cham： Springer， 2014： 513-520.
30	ULYANOV D， VEDALDI A， LEMPITSKY V. Instance normalization： the missing ingredient for fast stylization［EB/OL］. ［2024-10-22］..
31	MAAS A L， HANNUN A Y， NG A Y. Rectifier nonlinearities improve neural network acoustic models［EB/OL］. ［2024-10-22］..
32	LEE C Y， XIE S， GALLAGHER P W， et al. Deeply-supervised nets［C］// Proceedings of the 18th International Conference on Artificial Intelligence and Statistics. New York： JMLR.org， 2015： 562-570.
33	SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 1-9.
34	SZEGEDY C， IOFFE S， VANHOUCKE V， et al. Inception-v4， Inception-ResNet and the impact of residual connections on learning［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2017： 4278-4284.
35	KERFOOT E， CLOUGH J， OKSUZ I， et al. Left-ventricle quantification using residual U-Net［C］// Proceedings of the 2018 International Workshop on Statistical Atlases and Computational Models of the Heart， LNCS 11395. Cham： Springer， 2019： 371-380.
36	YUSHKEVICH P A， PIVEN J， HAZLETT H C， et al. User-guided 3D active contour segmentation of anatomical structures： significantly improved efficiency and reliability［J］. NeuroImage， 2006， 31（3）： 1116-1128.

层序号	编码器输出特征图尺寸	通道数	解码器输出特征图尺寸	预测层输出特征图尺寸	损失函数权重
1	（B，32，96，160，160）	32	（B，32，96，160，160）	（B，C，96，160，160）	1
2	（B，64，48，80，80）	64	（B，64，48，80，80）	（B，C，48，80，80）	1/2
3	（B，128，24，40，40）	128	（B，128，24，40，40）	（B，C，24，40，40）	1/4
4	（B，256，12，20，20）	256	（B，256，12，20，20）	（B，C，12，20，20）	1/8
5	（B，320，6，10，10）	320	（B，320，6，10，10）	（B，C，6，10，10）	1/16
6	（B，320，3，5，5）	320

层序号	编码器输出特征图尺寸	通道数	解码器输出特征图尺寸	预测层输出特征图尺寸	损失函数权重
1	（B，32，96，160，160）	32	（B，32，96，160，160）	（B，C，96，160，160）	1
2	（B，64，48，80，80）	64	（B，64，48，80，80）	（B，C，48，80，80）	1/2
3	（B，128，24，40，40）	128	（B，128，24，40，40）	（B，C，24，40，40）	1/4
4	（B，256，12，20，20）	256	（B，256，12，20，20）	（B，C，12，20，20）	1/8
5	（B，320，6，10，10）	320	（B，320，6，10，10）	（B，C，6，10，10）	1/16
6	（B，320，3，5，5）	320

网络结构	DSC/%	IoU/%	HD95/mm	Precision/%	Recall/%	首轮训练时长/s	网络参数量
Residual U-Net	80.11	67.34	24.28	75.80	85.85	53.20	7 912 874
nnU-Net2D	84.18	73.10	3.53	86.66	82.28	64.27	20 755 726
nnU-Net3D	83.12	71.88	18.12	87.13	82.37	81.03	31 195 594
V-Net	83.42	71.82	9.88	79.67	88.47	97.33	45 597 898
UNETR	84.69	73.89	8.87	84.02	85.93	165.43	115 644 578
Swin UNETR2D	82.55	70.84	3.60	84.51	81.50	168.43	25 137 980
Swin UNETR3D	84.85	74.12	17.44	81.82	88.66	291.88	62 186 708
两阶段网络	84.46	73.40	13.32	80.82	89.14	304.76	72 707 046
本文网络	87.16	77.47	3.69	85.54	89.36	192.74	105 876 298

网络结构	DSC/%	IoU/%	HD95/mm	Precision/%	Recall/%	首轮训练时长/s	网络参数量
Residual U-Net	80.11	67.34	24.28	75.80	85.85	53.20	7 912 874
nnU-Net2D	84.18	73.10	3.53	86.66	82.28	64.27	20 755 726
nnU-Net3D	83.12	71.88	18.12	87.13	82.37	81.03	31 195 594
V-Net	83.42	71.82	9.88	79.67	88.47	97.33	45 597 898
UNETR	84.69	73.89	8.87	84.02	85.93	165.43	115 644 578
Swin UNETR2D	82.55	70.84	3.60	84.51	81.50	168.43	25 137 980
Swin UNETR3D	84.85	74.12	17.44	81.82	88.66	291.88	62 186 708
两阶段网络	84.46	73.40	13.32	80.82	89.14	304.76	72 707 046
本文网络	87.16	77.47	3.69	85.54	89.36	192.74	105 876 298

实验序号	网络配置			DSC/ %	IoU/ %	HD95/ mm	Precision/ %	Recall/ %
实验序号	MSE	MND	Deep	DSC/ %	IoU/ %	HD95/ mm	Precision/ %	Recall/ %
1	√	√	√	80.98	68.29	6.32	83.71	79.63
3	√	√		80.35	67.54	20.46	80.93	81.32
5			√	78.91	65.59	15.28	79.08	79.90
6	√		√	80.96	68.34	10.77	83.13	80.40
7		√	√	80.96	68.37	18.14	82.23	81.18

基于多尺度空间特征的冠状动脉CT血管造影图像分割网络

Segmentation network of coronary artery structure from CT angiography images based on multi-scale spatial features

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 36

相关文章 15

编辑推荐

Metrics

实验序号	网络配置			DSC/ %	IoU/ %	HD95/ mm	Precision/%	Recall/ %
实验序号	MSEX2	MNDT	MNDC	DSC/ %	IoU/ %	HD95/ mm	Precision/%	Recall/ %
1				80.98	68.29	6.32	83.71	79.63
2		√		79.64	66.66	31.03	78.66	82.34
4	√			80.25	67.35	21.17	79.85	82.22
8			√	81.12	68.58	14.60	82.55	81.20

[1]	周阳, 李辉. 基于语义和细节特征双促进的遥感影像建筑物提取网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1310-1316.
[2]	李晨倩, 刘俊. 基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2604-2610.
[3]	王美, 苏雪松, 刘佳, 殷若南, 黄珊. 时频域多尺度交叉注意力融合的时间序列分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1842-1847.
[4]	张鹏飞, 韩李涛, 冯恒健, 李洪梅. 基于注意力机制和全局特征优化的点云语义分割[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1086-1092.
[5]	王铂越, 李英祥, 钟剑丹. 基于改进Res-UNet的昼夜地基云图分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1310-1316.
[6]	付顺旺, 陈茜, 李智, 王国美, 卢妤. 用于篡改图像检测和定位的双通道渐进式特征过滤网络[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1303-1309.
[7]	李威, 陈玲, 徐修远, 朱敏, 郭际香, 周凯, 牛颢, 张煜宸, 易珊烨, 章毅, 罗凤鸣. 基于多任务学习的间质性肺病分割算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1285-1293.
[8]	吴宁, 罗杨洋, 许华杰. 基于多尺度特征融合的遥感图像语义分割方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 737-744.
[9]	李子怡, 曲婷婷, 崇乾鹏, 徐金东. 基于模糊多尺度特征的遥感图像分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3581-3586.
[10]	刘永江, 陈斌. 基于多尺度记忆库的像素级无监督工业异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3587-3594.
[11]	郑秋梅, 牛薇薇, 王风华, 赵丹. 基于细节增强的双分支实时语义分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3058-3066.
[12]	周迪, 张自力, 陈佳, 胡新荣, 何儒汉, 张俊. 基于EfficientNetV2和物体上下文表示的胃癌图像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2955-2962.
[13]	齐爱玲, 王宣淋. 基于中层细微特征提取与多尺度特征融合细粒度图像识别[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2556-2563.
[14]	郑帅, 张晓龙, 邓鹤, 任宏伟. 基于多尺度特征融合和网格注意力机制的三维肝脏影像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2303-2310.
[15]	鲁斌, 柳杰林. 基于特征增强的三维点云语义分割[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1818-1825.