基于机器学习的颅内动脉瘤核磁共振图像处理技术研究.pdf

摘要

摘要

颅内动脉瘤是发生在颅内动脉管壁上的异常膨出，是造成蛛网膜下腔出血的首

位病因，是危害最大的脑血管疾病之一。在临床上，飞行时间磁共振血管造影术

(Time-of-FlightMagneticResonanceAngiography,TOF-MRA)是目前应用最为广泛的

颅内动脉瘤辅助检查技术之一，具有无创性、无辐射性和高质量成像的优点。怎样

利用TOF-MRA图像自动辅助诊断颅内动脉瘤，一直是研究的一个热点。一些传统

的计算机辅助诊断算法可以帮助临床医生做简单的颅内动脉瘤筛查工作，但明确诊

断还是主要依靠临床医生的个人经验，并没有实现真正的自动化。近年来，机器学

习凭借自动化与智能化的优点，成为了医学领域的技术手段之一，已被尝试应用于

辅助诊断颅内动脉瘤领域，但具体技术还不太成熟。因此，进一步开展基于机器学

习的颅内动脉瘤辅助诊断研究对颅内动脉瘤计算机辅助诊疗技术水平的提升及后续

开展临床研究具有非常重要的价值。

本文旨在基于TOF-MRA图像构建一套基于机器学习辅助诊断颅内动脉瘤的算

法，减轻医生的负担并提高其诊断效率，为颅内动脉瘤的精确诊治提供有效的帮助。

具体研究内容如下：

1.数据收集及预处理。为保证课题研究的严谨性与准确性，收集和整理了213

例高质量TOF-MRA图像数据，主要来源于开源的ADAM数据集和重庆某医院。为

减少后续图像处理的干扰，针对颅内动脉瘤TOF-MRA图像构建了一套预处理方法，

可将TOF-MRA原始图像转换为质量更高、相关特征更加突出的图像，便于后续研

究处理。

2.基于深度学习的颅内动脉瘤分割与检测。考虑到颅内动脉瘤只存在于脑血管

之上，且脑血管与脑部其它组织相比，有较为明显的强度差异，因此本文先将TOF-

MRA图像中的脑血管分割与重建出来，使用最大密度投影算法得到高质量的脑血管

重建数据，为后续深度学习模型训练提供了严谨、真实的先验信息；然后本文构建

VNetUNETR

和完善了深度学习模型和，并基于这两个深度学习模型进行了一系列

颅内动脉瘤的自动分割与检测实验，得出TOF-MRA图像最佳重采样间距为

[1.0,1.0,1.0]，并证明了重建与分割好的脑血管数据作为先验信息加入到模型训练中，

确实可以提升模型分割与检测颅内动脉瘤的能力。研究结果表明，本文所构建方法

分割颅内动脉瘤Dice值为0.6233，检测颅内动脉瘤敏感度为81.36%，优于3DCNN

和3DUnet模型，达到了临床医生诊断颅内动脉瘤的平均水平。

I

摘要

3.基于影像组学方法精准鉴别颅内动脉瘤与脑血管。介于脑血管的一些区域，

如脑血管交叉、重叠处容易被误诊为颅内动脉瘤，严重影响颅内动脉瘤的诊断，本

文进一步提出了一种基于影像组学的方法来鉴别颅内动脉瘤与脑血管，以降低颅内

动脉瘤的误诊率。基于本文构建的数据集，采用该方法提取了颅内动脉瘤及脑血管

1237T13

相关特征一共个；接着采取检验、缪斯选择器等特征降维的方法筛选出

个对分类贡献最大的影像组学特征；最后基于影像组学筛选出来的特征构建和训练

了随机森林分类器、逻辑回归分类器，在测试集上的AUC值分别为0.93、0.98，能

够较好的将颅内动脉瘤与脑血管鉴别区分。

综上所述，本文经过系统化的实验，验证了所提算法的有效性与优越性，且对

计算机设备的性能要求不高，具有较好的临床应用前景。

关键词：颅内动脉瘤；机器学习；TOF-MRA图像；影像组学

II

Abstract

Abstract

Intracranialaneurysmisanabnormal