多分辨率多尺度深度学习的X射线冠状动脉造影图像冠状动脉血管分割方法

医学信息学解锁24（2021）100602基于多分辨率多尺度的深度学习姜正强a，*，欧楚斌a，钱毅a，**，拉詹·热汉b，杨安迪c， da澳大利亚新南威尔士州麦考瑞大学生物医学科学系，邮编2109b皇家阿尔弗雷德王子医院，新南威尔士州，2050，澳大利亚c澳大利亚新南威尔士州麦考瑞大学医学与健康科学学院临床医学系，邮编2109。d澳大利亚新南威尔士州康科德遣返总医院心脏科，邮编2139A B S T R A C T我们提出了一种使用多分辨率和多尺度深度学习的X射线冠状动脉造影图像的冠状动脉血管分割方法。我们的分割方法通过双线性插值从输入图像构造一组多分辨率图像，该方法可以处理对比度分布不均匀的冠状动脉血管。我们将多分辨率和多尺度卷积滤波结合到U-Net网络中，通过处理不同位置的冠状动脉血管的不同厚度，可以帮助提高分割结果的准确性。我们分别研究了基于U-Net的多分辨策略和基于U-Net的多尺度策略的两类实验。我们的方法已经进行了评估和比较，定性与网络，如单一的U-Net，注意力U-Net，R2 U-Net和R2 AttU-Net，并定量与20个国家的最先进的视觉分割方法使用基准X射线冠状动脉造影数据库。实验表明，我们的分割方法优于单独使用这些网络中的每一个的方法，这20种方法在Dice系数度量方面显着，这被认为是分割结果的主要评价标准1. 介绍1.1. 动机心血管疾病是世界范围内人类死亡的主要原因之一。冠状动脉狭窄或斑块是最常见、最严重的心血管疾病之一。冠状动脉狭窄或斑块的早期诊断为心血管疾病的治疗提供了显著的益处。不同的成像技术，例如计算机断层扫描血管造影术（CTA）、磁共振血管造影术（MRA）和X射线冠状动脉造影术（XRA）等，已经被用于诊断冠状动脉血管的狭窄或斑块。在所有这些技术中，XRA被认为是评估患者冠状动脉血管状态的金标准[ 1 ]。对于XRA程序，将导管插入冠状动脉，然后通过导管注射造影剂以使图像中的冠状血管变暗，这可以帮助心脏病专家有效地找到狭窄的位置及其分级。然而，在这方面， 心脏学家 经常 脸 挑战性 新问题很多由于疲劳、患者导管，并且因此有时提供不可靠的XRA图像的诊断报告。图1示出了具有阴影或导管的XRA图像的两个示例。此外，心脏病专家阅读XRA图像非常耗时。为了减轻心脏病专家的负担，自动了解冠状动脉血管状态是必要的。在确定冠状动脉血管状态之前，需要使用分割技术对XRA图像进行冠状动脉血管分割。分割技术的目的是使用计算机视觉和/或机器学习算法在XRA图像中提取冠状血管分割的血管用于通过骨架模型计算图像特征，例如血管中心线和血管位置处的宽度[4]。这些特征可以确定冠状动脉血管的狭窄位置和拓扑结构。许多视觉分割技术已被提出，分割冠状血管的文献。传统分割技术的几个典型示例包括分水岭算法[40]，区域生长算法[28]和活动轮廓模型[10]。由于最近使用VGG[31]，AlexNet [30]和GoogLeNet [33]等深度学习模型进行视觉对象分类和识别的有希望的结果，越来越多的研究人员已经将深度学习模型应用于图像分割，特别是用于语义分割[25]，其将属于前景的每个像素分类* 通讯作者。** 通讯作者。电子邮件地址：zhengqiang. mq.edu.au（Z.Jiang），yi. mq.edu.au（Y.Qian）.https://doi.org/10.1016/j.imu.2021.100602接收日期：2021年3月16日;接收日期：2021年5月10日;接受日期：2021年5月2021年5月24日网上发售2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuZ. Jiang等人医学信息学解锁24（2021）1006022××或背景。本文提出了一种基于多分辨率和多尺度的U-Net网络用于冠状动脉血管分割.我们首先使用对比度受限的自适应直方图均衡化算法来增强输入的冠状动脉图像。然后，对增强后的图像进行双线性插值，得到一批4个尺度的多分辨率图像。这些多分辨率图像与不同尺度下的一组核进行卷积，并将不同尺度下卷积的输出连接起来。我们称这个过程为多分辨率和多尺度卷积滤波（MRCF）。然后将MRCF的输出集成到U-Net网络[42]中进行血管分割。本文的研究贡献是：一组多分辨率图像的设计，以提高分割性能的准确性，特别是当冠状动脉血管具有不均匀的对比度分布。我们的分割方法结合了多分辨率和多尺度卷积滤波到一个U-Net框架。 这使得系统能够处理不同位置的冠状血管的各种厚度。在不使用大量XRA图像作为训练数据的情况下，我们的分割方法明显优于单独使用U-Net，Attention U-Net，R2 U-Net和R2 AttU-Net的方法以及20种最先进的视觉分割方法。本文的组织结构如下。在下一节中，我们提出了我们的冠状动脉血管分割方法的相关工作。第二部分详细介绍了数据集和我们提出的冠状动脉血管分割方法，包括对比度增强，多分辨率图像，多分辨率和多尺度的U-Net网络。第III节将显示EX试验结果。第四节讨论了我们的方法。最后，第五部分对全文进行了总结，并指出了今后的研究方向.1.2. 相关工作XRA图像中冠状血管的视觉分割可以大致分为分为3类：基于特征[6计算图像的Hessian矩阵及其特征值[6，7]是用于分割冠状血管的典型的基于特征的方法。Hessian矩阵为描述图像中血管管状结构的特征提供了一种有效的方法。这种方法被称为Hessian滤波器，其已经广泛用于血管增强和分割。然而，由于基于血管几何结构的Hessian特征，这种方法往往返回不连续的血管分割结果。Wan等人[44]通过一组方向滤波器结合线状特征，改进了基于Hessian的血管分割。Wang等人[8]将区域增长算法与Hessian滤波相结合，用于冠状动脉血管图像的分割。区域生长算法以多个像素为种子，利用灰度直方图和k-均值聚类方法将每个种子及其邻域合并为同一区域。然而，由于基于强度的增长规则，他们的方法在诸如噪声和血管狭窄的复杂情况下常常无法分割血管。为了解决这个问题，使用具有血管性和方向特征的生长规则进行血管分割[45]。最近，Fazlali等人[9]提出了一种使用简单线性迭代聚类（SLIC）方法的冠状动脉血管分割方法。SlIC是superpiX el算法中的一种，其在到聚类中心的距离内搜索piXel，然后将piXel分配给聚类。基于跟踪的方法[11通过血管造影图像序列捕捉冠状血管的形状变化。Nwogu等人[11]提出了一种通过跟踪血管的非刚性中心线来分割冠状动脉血管的方法。同样，Zhou等人[13]通过跟踪血管造影帧之间的血管骨架线证明了一种分割方法。Zhang等人[12]将冠状血管建模为B样条曲线，并跟踪曲线中的标志点。他们将界标点视为有向无环图（DAG）的节点，将界标之间的位置距离视为节点的边。通过找到DAG中起始和结束节点的最小距离，在血管造影帧之间跟踪冠状动脉血管。最近，基于神经网络的方法已经吸引了越来越多的研究人员，因为从卷积神经网络（CNN）架构返回的医学图像中的血管分割的有希望的结果[14，15]。Fernando等人[16]使用带有四层感知器的人工神经网络（ANN）来分割冠状血管。用100张血管造影片对人工神经网络进行训练，并用30张血管造影片进行测试。Esfahani等人。[17]使用CNN架构进行冠状动脉血管分割。他们用1040000个图像块训练CNN，这些图像块是通过滑动3333个窗口超过26张图像，512 512尺寸。为了使CNN架构更适合于分割冠状动脉血管，Samuel等人[3]将血管提取操作纳入卷积层，该操作将冠状动脉血管特征捕获到卷积层中。Hao等人。[2]在CNN架构中使用3D卷积层 到 捕获 时空 特征 经冠状Fig. 1. 两个带有阴影（左）或导管（右）的XRA图像示例。···Z. Jiang等人医学信息学解锁24（2021）1006023×× ×××××××××× ××=-×序列图像。为了获得全局上下文信息，Zhu等人。[46]使用金字塔场景解析网络，该网络将CNN以不同尺度生成的血管特征连接起来。最近，Yang等人[18]将U-Net模型集成到CNN架构中，用于血管分割。U-Net模型由两部分组成：卷积编码器和去卷积解码器。卷积编码器部分使用下采样降低血管图像的特征维度，而解码器部分使用上采样将特征维度增加到输入图像的大小。最近，Jun等人[19]将U-Net模型扩展为T-Net模型，用于冠状动脉血管的分割。T-Net模型由嵌套的U-Net模型组成，以便在编码器和解码器部分之间提供多个级联层。分割性能可以通过合并将初始模型[5]引入CNN架构。我们的多尺度卷积策略在本文中报告的股票的相似之处的开端模型，但也在某些方面有所不同。Inception模型使用卷积核尺度，其中1 1，3 3，5 5，而我们添加scale 7 7并为每个scale组合一个ReLU函数。此外，我们的多尺度策略的输入图像特征是基于一组多分辨率图像，而不是使用原始分辨率图像的初始模型。2. 材料法&2.1. 材料我们使用了一个由134张XRA图像和相应的地面实况图像组成的数据库[16]。地面实况图像具有冠状血管的标签。在这些图像中，94幅图像用作训练集，10幅图像用作验证集，30幅图像用作测试集。每个图像的大小是320 320像素。训练集和测试集中的图像选自不同的患者。2.2. 方法我们的冠状动脉血管分割方法的框图（显示为2个子图）如图2所示。我们提出的方法将图2（b）所示的MRCF合并到图2（a）所示的U-Net网络中。1) 对比度增强由于使用低剂量的X射线以最小化对操作者的辐射暴露，所以XRA图像通常在血管和背景之间具有低对比度。我们使用对比度有限自适应直方图均衡（CLAHE）[20]算法来增强XRA图像，因为它速度快，并且可以产生良好的对比度增强。CLAHE算法将图像划分为不重叠的区域，并对每个区域进行直方图均衡化。图3示出了XRA图像的示例和来自CLAHE算法的对比度增强结果。从该图中我们可以看出，XRA图像和增强图像之间的冠状血管和背景的强度差已经增大。2) 多分辨率图像冠状动脉造影片中血管的宽度很大程度上取决于X线机的观察距离每个患者的冠状血管宽度也各不相同。在Frangi et al.的论文[48]中，在小血管和大血管上评价了四种量表。我们从原始血管造影片构建一系列多分辨率图像，如下所述：-原始血管造影片被保存为多分辨率图像之一图4示出了原始XRA血管造影照片和构建的多分辨率图像的示例。3) 基于多分辨率多尺度的U-Net网络U-Net由编码器和解码器部分组成。编码器使用两个卷积运算，内核大小为3 3，然后是ReLU激活函数，以及具有2 × 2个滤波器和步幅2的最大池化操作，用于在每层中进行下采样。解码器应用上采样，2个转置滤波器，2个卷积运算，内核大小为33，以及每层中的ReLU激活功能。跳过连接连接来自编码器部分的两个3由于造影剂在冠状血管中的分布不均匀（参见 图5（a）），使用U-Net网络基于单分辨率图像的分割结果可能导致连续血管的碎片图 5（b）示出了使用具有图5（a）的单分辨率图像作为输入的U-Net网络的分割结果的示例。如图5（c）所示，使用基于多分辨率和多尺度的U-Net可以提供分割连续冠状动脉血管的准确结果。此外，一个U-Net网络进行一个单一的卷积操作，与一个单一的尺度图像的过滤器大小为3 3，这是不适合处理每个血管分支的不同厚度。因此，分割结果通常不能准确地分割小或大宽度的为了解决这些问题，我们使用基于多分辨率和多尺度的U-Net网络来处理不同厚度的血管分支。我们将MRCF用于U-Net网络的编码器部分。首先，我们为每个输入图像构造一批在第II-B.2节中描述的多分辨率图像。这些多分辨率图像然后与不同尺度的卷积核（即，11卷积，3 3卷积，5 5卷积和7 7卷积），然后是ReLU激活函数。在拼接多分辨率图像之前，我们使用双线性插值将不同尺度的图像映射到原始分辨率尺度。最后，不同卷积尺度上的所有卷积结果被连接起来，然后馈送到U-Net网络编码器部分的下一级。基于多分辨率和多尺度的U-Net网络在编码器部分的每一层上重复2个MRCF操作以生成特征图，该特征图被裁剪以连接来自解码器部分的同一层的对应特征图。3. 结果在一台装有Intel Xeon Bronze 1.9 GHZ和Nvidia Quadro RtX 5000的PC上进行了EX实验。操作系统是Windows 10 Pro。我们的冠状动脉血管分割方法使用Python和深度学习库（包括PyTorch、Numpy和OpenCV）进行编码。对于对比度增强，clipLimit设置为12，tileGrid- Size设置为（8，8）。我们使用了4个多分辨率尺度（0.75，1，1.25， 和1.5）用于U-Net网络的多分辨率图像的构造。这4个量表是根据经验设定的。对于我们的分割网络，epoch的数量设置为500;学习率设置为0.005;批量大小设置为1。我们使用亚当优化算法与beta1 0.9和β 20.999来训练我们的细分网络。 损失函数为BCELoss和Dicloss。U-Net的深度为5。卷积步幅设置为1，填充设置为0。为了用最先进的方法定量评估我们的分割方法的性能，我们使用了5个评估指标，即准确性、灵敏度、特异性、阳性预测值和骰子系数[49]。5个指标计算如下：TP+TN使用双线性插值，血管造影片的大小通过许多比例因子来改变，以形成多分辨率图像。准确度=TP+FP+TN+FN（1）-Z. Jiang等人医学信息学解锁24（2021）1006024图二、一个框图显示了 我们在XRA图像上的冠状血管分割。基于多分辨率和多尺度的U-Net网络。（b）MRCF。Z. Jiang等人医学信息学解锁24（2021）1006025TP+FNFP+TN图三. 使用CLAHE算法的示例XRA图像和对比度增强结果。图四、尺度为0.75（a）、1.25（c）和1.5（d）的多 分辨率 图像通 过双线性 插值从原始分辨率（b）构建 。图五. 对比度分布不均匀的图像上的分割结果的示例（a）原始图像（b）输入图像的单分辨率上的分割结果（c）输入图像的多分辨率上的分割结果灵敏度= TP（二）阳性预测值TP=FP+TP（四）特异性=TN（三）骰子系数=2×|GT-SR||GT-SR|（五）Z. Jiang等人医学信息学解锁24（2021）1006026其中真阳性（TF）被定义为正确的前景像素的数量;假阳性（FP）被定义为不正确的前景像素的数量;真阴性（TN）被定义为正确的背景像素的数量;并且假阴性（FN）被定义为正确的背景像素的数量。不正确的背景像素的数量，GT被定义为地面实况，并且SR被定义为分割结果。这5个度量在范围[0，1]内。我们将分离前地和背景像素的阈值设置为0.5。价值由经验决定-见图6。血管造影测试。第1行：原始血管造影片。第2行：血管造影片的真实情况。第3行：单U网方法的结果。第4行：注意力U网方法的结果。第5行：R2 U-Net方法的结果。第6行：R2 AttU-Net方法的结果第7行：我们的分割方法的结果。第8行：我们的分割方法的结果（绿色）和相应的地面实况（红色）之间的重叠。(For关于这一图中颜色的解释，请读者参阅本文的网络版Z. Jiang等人医学信息学解锁24（2021）1006027×+×× × ××+++++真的从这些方程中，我们可以看到，每个度量的值越大，表明该方法的鲁棒性越强3.1. 定性评价为了说明我们的冠状动脉血管分割方法的有效性，我们还进行了使用单个U-Net网络、Attention U-Net [34]、基于U-Net的递归残差卷积神经网络（R2 U-Net）[26]和递归残差和Attention U-Net（R2 AttU-Net）[27]分割冠状动脉血管的实验。单U-Net网络与我们的基于多分辨率和多尺度的U-Net网络共享所有相同的参数，除了将血管造影片的原始分辨率作为网络输入和单独的卷积核的3 - 3大小。图6示出了使用单个U-Net网络、Attention U-Net、R2 U-Net、R2AttU-Net和我们的方法对血管造影图的分割结果的一些示例。从这个图中我们可以看出，单U-Net网络、Attention U-Net、R2 U-Net、R2 AttU-Net都倾向于细分 将连续的血管分割成碎片（参见图6的第三行、第四行、第五行、第六行）。一个可能的原因是造影剂沿冠状血管的分布不均匀。如该图的第七行所示，我们的分割方法可以分割没有分段的连续血管。此外，我们的分割方法可以准确地提取小和/或大尺寸的血管。我们的方法的结果和相应的地面实况之间的重叠在该图的第八行3.2. k倍交叉验证我们进行了K折交叉验证[36]，以评估我们的冠状动脉血管分割方法。在我们的实验中，参数K被设置为6。每个折叠有22张血管造影片，每张血管造影片仅分配给一个折叠。每个折叠都有机会成为测试数据，其余的折叠是训练数据。表1显示了使用K-Fold交叉验证的定量评价。从该表中，我们可以看到，我们的分割方法为K折交叉验证提供了相似的准确度、灵敏度、特异性、阳性预测值和骰子系数值。因此，我们的方法可以是一般的一个独立的血管造影数据集。3.3. 定量评价我们还进行了两种类型的实验：多尺度策略U-Net和多分辨率策略U-Net。多尺度战略U-Net将尺度1 1、3 3、5 5和7 7集成到U-Net模型的卷积运算中，而不是仅使用3 3卷积。多分辨率策略U-Net使用一组从原始图像构造的多分辨率图像作为U-Net模型的输入表2显示了这两种策略的定量结果。很明显，多分辨率策略+U-Net给出了更好的结果，表1我们的方法的K-Fold交叉验证结果（k= 6）。Dice系数（表中的0.7752），而多尺度策略U-Net具有较低的Dice系数（表中的0.7661）。与使用单U-网的方法的Dice系数相比（在表3中），多尺度策略U-网给出了最高的Dice系数0.7752，其次是多尺度策略U-网的Dice系数0.7661。网和单一的U-网给出了最低的骰子系数为0.7571。这分别表明了U-Net的多分辨率策略和多尺度策略的有效性。表3展示了我们的方法与其他20种方法之间的分割结果比较，包括单一U-Net网络，Attention U-Net，R2 U-Net和R2 AttU-Net。从该表中可以看出，我们的方法提供了最高准确度值（0.9765）、最高特异性值（0.9885）、最高阳性预测值（0.8137）和最高骰子系数（0.7905）。与单一的U-Net网络方法相比，我们的方法的性能显着提高，从0.7165到0.7978和0.7571到0.7905的特异性和骰子系数，分别。虽然我们的分割方法的灵敏度值低于其他13种方法，除了单一的U-Net，Attention U-Net，R2 U-Net，R2 AttU-Net，VSSC Net [3]，SVS-net [2]和Fernando等人。方法[16]的正预测值和Dice系数明显高于其它20种方法。图7显示了我们的方法在不同批次值下的结果尺寸从这个图中我们可以看到，我们的方法与批量大小为4的值提供了最好的性能与最高的骰子系数。3.4. 执行时间表4显示了我们的方法与其他不同的基于U-Net的方法（包括单U-Net网络，Attention U-Net，R2 U-Net和R2 AttU-Net）之间每个图像的平均执行时间的比较。从表中可以明显看出，从单个U-Net网络（0.38 s）更改为我们的方法（0.39 s）时，执行时间没有显著增加。4. 讨论虽然我们的方法是用于XRA图像中的冠状血管的分割，它也适用于数字视网膜图像（DRI）的视网膜血管的分割。由于我们的方法是以灰度图像作为训练和测试数据，因此使用我们的方法分割视网膜血管需要先将DRI从彩色图像转换为灰度图像。视网膜血管的其他分割过程与我们的冠状血管方法相同。由于在公共数据库中无法获得冠状动脉疾病信息，如狭窄和斑块的位置，因此在本论文的这一阶段未报告我们的方法在冠状动脉病理学方面由于CLAHE算法将具有超过用户定义的阈值的对应计数的直方图箱均匀地重新分布到所有箱，因此这种算法可以防止噪声的增强。然而，Frangi滤波器[48]通过使用图像的二阶偏导数计算Hessian矩阵来进行图像增强，这对噪声敏感对于锐化掩蔽技术，准确度灵敏度专属性阳性预测值Dice系数[47]，噪声通常通过图像和锐化滤波器之间的卷积操作来增强。折叠1Fold2折片3折4折叠部5折叠部62009年12月31日2019年12月31日2009年12月31日2009年12月31日2009年12月31日2019年12月31日5. 结论我们已经提出了一种冠状血管分割方法，集成多分辨率和多尺度卷积滤波到一个U-Net网络的XRA图像。我们的分割方法构造了一组多分辨率图像，这些图像与一组不同尺度的内核进行卷积。因此，它可以处理造影剂分布不均匀和不同位置的不同分支厚度的冠状血管。我们已经评估了我们的分割方法对其他20个有竞争力的分割技术的XRA图像从基准+Z. Jiang等人医学信息学解锁24（2021）1006028表2多尺度策略+U-Net和多分辨率策略+U-Net的结果。精度灵敏度特异性阳性预测值Dice系数多尺度策略+U-Net多分辨率策略+U-Net0.97300.97290.76930.78900.98710.98650.79600.78970.76610.7752表3在30幅血管造影片的测试数据上，比较了本文方法与其他20种方法的分割结果精度灵敏度特异性阳性预测值Dice系数我们的方法0.97650.79780.98850.81370.7905VSSC Net [3]0.97490.76340.98570.75680.7738SVS-net [2]0.97360.74290.98430.80750.7693[42]第四十二话0.97580.71650.98150.81290.7571[34]第三十四话0.97120.73780.98740.79010.7476[26]第二十六话0.97190.50460.98520.66240.6116[27]第二十七话0.96870.60180.98760.70370.6580Fernando等人[16个]0.96980.63630.98800.74340.6857大津市[21]0.91730.94720.91570.38060.5430[22]第二十二话0.91640.94780.91470.37790.5403尼布莱克[23]0.91460.93700.91340.37170.5322保持力矩[51]0.90810.95890.90530.35650.5197[24]第二十四话0.89890.96460.89530.33500.4973船舶修理[29]0.89020.96640.88600.31680.4772[32]第三十二话0.88840.96390.88430.31300.4726最大熵[35]0.88530.97440.88040.30820.4683背景统一[50]0.87570.97210.87040.29090.4478基础教育[37]0.85810.98400.85120.26560.4183白色[38]0.85740.96820.85140.26270.4132[39]第三十九话0.84420.98710.83630.24800.3965本地熵[41]0.82470.99000.81560.22700.3693表4见图7。 我们的方法的结果与不同值的批量大小。数据库 实验结果表明，我们的分割方法每个方法的平均执行时间EX 100 time（s）我们的方法0.39单U网0.38注意U-Net0.44R2U-Net0.47R2AttU-Net 0.50比这20种方法更有效。在未来，我们将研究将多分辨率和多尺度卷积滤波到Attention U-Net，R2 U-Net和R2 AttU-Net中的性能。竞合利益作者声明他们没有利益冲突Z. Jiang等人医学信息学解锁24（2021）1006029确认姜博士进行了实验和数据分析，并起草了手稿。欧博士帮助进行实验。森博士帮助进行数据分析。Rehan博士提供了一篇评论并帮助编辑了手稿。博士Yong提供了一份评论，并帮助编辑了手稿。附录A. 补充数据本 文 的 补 充 数 据 可 在 https ： //doi 网 站 上 找 到 。org/10.1016/j.imu.2021.100602。引用[1] [10]李文，李文. “磁共振冠状动脉造影评估冠状动脉疾病：一项全国多中心试验"。JAm Coll Cardiol 2010;56（12）：983-91.[2] 郝D，丁S，邱L，吕Y，费B，朱Y，秦B。“Sequential vessel segmentation viadeep channel attention network "。神经网络2020;128：172-87.[3] Samuel PM，Veerkirai T. VSSC网络：用于血管分割的血管特定跳跃链卷积网络。198.第198章.[4] 李T，Kashyap R，Chu C.“通过3-D内侧表面Ax构建骨骼模型是细化算法，"。 CVGIP Graph Models Image Process 1994;56（Issue 6）.[5] Szegedy C等人，《用卷积更深入》。波士顿：IEEE计算机视觉和模式识别会议; 2015年。p. 一比九[6] 杨文龙，李晓梅，李晓梅.“多尺度血管增强滤波”、医学图像计算和计算机辅助干预。 1998年[7] Sato Y，Nakajima S，Shiraga N，Atsumi H，Yoshida S，Koller T，Kikinis R.用于曲线结构分割和可视化的三维多尺度线滤波器。医学影像分析1998;2（2）：143-68。[8] 王S，李B，周S.“一种基于多尺度滤波和区域生长的冠状动脉图像分割方法，"。2012年生物医学工程与生物技术国际会议：678-81。[9] FazlaliH，Karimi N，Soroushmehr S. “使用超像素的X射线血管造影中的血管分割和导管检测"。 Med Biol Eng Comput 2018;56：1515-30.[10] 放大图片作者：KassM，Witkin A，Terzopoulos D. Snakes：活动轮廓模型。Int J Comput Vis1988;1：321-31.[11] Ifeoma N，Liana L.单个冠状动脉血管的快速时间跟踪和3D重建。IEEE图像处理国际会议2007：537-40。[12] Zhang D，Sun S，Wu Z，Chen B，Chen T.血管造影序列中的血管树跟踪。J Med Imaging 2017;4（2）。[13] 周S，严军，王勇，陈伟. 基于模糊推理和概率跟踪的冠状动脉图像自动分割。生物医学工程在线2010;9：40。[14] Melinscak M，Prentasic P，Lonaric S.“Retinal vessel segmentation usingdeep neural networks“，第10届计算机视觉理论与应用国际会议论文集。VISAPP; 2015.[15] 傅华，徐燕，林S，王凯，刘俊. 1DeepVessel：通过深度学习和条件随机场进行视网膜血管分割。在医学图像计算和计算机辅助干预方面。 2016年。[16] [10]李文辉，李文辉.使用多尺度分析和人工神经网络自动分割X射线血管造影照片中的冠状动脉。2019;9. 5507[17] 2005年10月27日，李文龙.使用深度学习在X射线血管造影中提取血管。IEEE医学与生物工程学会年度国际会议。2016年：643-6。[18] Yang S，KweonJ，Roh J. X射线冠状动脉造影中主要血管的深度学习分割。Sci Rep2019;9：16897.[19] Tae JoonJ，Jihoon K，Young-Hak Kim，Daeyhoon K.“T-Net：用于冠状动脉造影中主血管分割的嵌套编码器-解码器架构”，神经网络。 2020年。[20] 卡雷尔Z“对比度限制自适应直方图均衡化”，Graphics Gems IV。 学术出版专业公司; 一九九四年p. 474- 85[21] 大津湾一种基于灰度直方图的阈值选取方法。IEEE系统、人与控制论汇刊1979;9（1）：62-6.[22] Ridler T，Calvard S.使用迭代选择方法的图像阈值化。IEEETransactions onSystems，Man，and Cybernetics（IEEE系统、人与控制论汇刊）1 9 7 8 ;8（8）：630-2.[23] 韦恩·N数字图像处理导论。出版社：Strandberg，1985.[24] 放大图片作者：KittlerJ，Illingworth J，Foglein J. 基于简单图像统计的阈值选择。Comput Vis Graph Image Process1985;30（2）：125-47.[25] 放大图片作者：J. 用于语义分割的完全卷积网络。ArXiv;2015.[26] Alom MZ，Hasan M，Yakopcic C，Taha TM，Asari VK.基于U-net的递归残差卷积神经网络（R2 U-net）用于医学图像分割。arXiv;2018.[27] Wang Y，He Z，Xie P，Yang C，Zhang Y，Li F，Chen X，Lu K，Li T，ZhouJ，Zuo K. “结合递归残差和注意力的U网分割医学图像”，医学成像和计算机辅助诊断。2020年。p. 七十七比八十六[28] 普拉特WK。数字图像处理。第四版，Los Altos，California：John WileyandSons，Inc.; 2007年[29] 李英，周松，吴建，马翔，彭凯. 一种新的冠状动脉造影图像血管分割方法。2012年第四届计算与信息科学国际会议。p. 468- 71[30] 放大图片作者：Krizhevsky A，Sutskever I，Hinton G.使用深度卷积神经网络进行ImageNet分类。 Commun ACM 2017;60（6）：84-90.[31] Simonyan K，Zisserman A.用于大规模图像识别的极深卷积网络。2015年国际学习代表会议。[32] SauvolaJ，PietikéainenM. 自适应文档图像二值化。 PatternReynolds2000;33（2）：225-36.[33] Szegedy C，Liu W，Jia Y，Sermanet P，Reed S，Anguelov D，Erhan D，Vanhoucke V，Rabinovich A. 更深的回旋。ArXiv; 2014.[34] Oktay O，SchlemperJ，Folgoc L，Lee M，Heinrich M，Misawa K，MoriK，McDonagh S，Hammerla N，Kainz B，Glocker B，Rueckert D.注意U-net：学习在哪里寻找胰腺。arXiv; 2018.[35] 作者：JiangJ，JiangJ，Jiang A.一种新的基于直方图熵的灰度图像阈值化方法。Comput Vis Graph Image Process 1985;29（3）：273-85.[36] Hastie T，Hastie T，Tibshirani R，Friedman JH.统计学习的要素：数据挖掘、推理和预测。 New York：Springer; 2001.[37] [10]李勇，王强，李伟.“基于度融合算法的冠状动脉造影图像分割方法“，国际测量会议。 信息与控制; 2013。p. 696- 9[38] 作者：WhiteJ. 用于光学字符识别和其他需要字符图像提取的应用的图像阈值。 IBM J Res Dev1983;27（4）：400-11.[39] A. Rosenfeld和P. De La Torre，“直方图分析作为阈值选择的辅助手段“，在IEEE系统、人和控制论学报中，第SMC-13卷，第2期，第110 - 111页。231-235，March-April 1983.[40] 放大图片作者：Najman L.在：“连续函数的分水岭“，在信号处理（数学形态学特刊。），卷38; 1994年。p. 99比112[41] NikhilR，Sankar K. 熵阈值。 Signal Process 1989;16（2）：97-108.[42] Ronneberger O，Fischer P，Bro XT. U-Net：用于生物医学图像分割的卷积网络。医学图像计算和计算机辅助干预2015;9351：234-41。[44] 王涛，尚新，杨伟，陈军，李丹，秦正。使用改进的基于Hessian的增强和统计区域合并的X射线血管造影中的自动冠状动脉树分割。157.第157章：你是谁[45] Kerkeni A，Benabdallah A，Manzanera A，Bedoui M.基于多尺度分析和区域生长的冠状动脉分割方法。计算机医学图像图2016;48：49-61。[46] 朱X，程Z，王S，陈X，陆G.基于PSPNet的冠状动脉造影图像分割200.第200章：我的天[47] 兰波尼湾一种用于对比度增强的立方反锐化掩模技术。信号处理1998;67：211-22.[48] 杨伟华，王伟华，王伟华.多尺度血管增强滤波。医学影像计算机辅助介入。1998年[49] 戴斯湖物种之间生态关联的数量的度量。Ecology1945;26（3）：297-302.[50] 作者：Eiho S，Qian Y.基于形态学算子的冠状动脉树检测。ComputCardiol1997：525[51] 蔡伟保矩螺纹连接：一种新方法。Comput Vis GraphImageProcess 1985;29（3）：377-93.