基于深度强化学习的主动脉夹层中心线追踪算法

作     者：曾安 郑嘉裕 潘丹 赵靖亮 黄幸青 

作者机构：广东工业大学计算机学院 广东技术师范大学电子与信息学院 广州医科大学附属番禺中心医院 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2025年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：广东省科技计划项目2019A050510041 广东省自然科学基金项目2021A1515012300 国家自然科学基金项目61976058和92267107 

主　　题：主动脉夹层 中心线提取 深度Q网络 深度强化学习 注意力机制 

摘      要：主动脉夹层(AD)中心线的提取在AD疾病的定量诊断和治疗中具有极其重要的临床意义。然而，由于AD的解剖结构复杂及血管形态和病变区域多样化等因素，AD中心线的提取任务非常具有挑战性，且目前对这一任务的定量评估研究仍然较为有限。当前多数方法在提取中心线时，需要进行预先分割、全卷扫描操作或计算距离图，随后使用最小路径或骨架算法进行提取。然而，AD腔体难以完整分割，上述方法所得中心线易存在断裂。为此，本文提出了一种基于深度Q网络的中心线跟踪算法，并设计了一个注意力嵌入的空洞残差模块，将其与通道注意力机制结合，能够更有效地提取血管特征并自动追踪复杂病变血管的中心线。此外，还提出了一种改进的奖励函数，引导智能体准确地追踪中心线。在公开数据集上的实验结果表明，提出的方法在中心线重叠度指标上全面优于对比算法。该方法提取一例数据的中心线的平均速度为5s，具有较好的临床应用潜力。