一种基于mask引导和反向蒸馏的颈动脉非对比CT三维血管造影增强方法

本发明属于医学图像处理与分析，具体涉及一种基于mask引导和反向蒸馏的颈动脉非对比ct三维血管造影增强方法。

背景技术：

1、血管疾病是全球致死率最高的疾病类别之一，头颈部血管狭窄、闭塞、动脉瘤等病变的早期精准诊断对临床治疗决策至关重要。计算机断层血管造影（cta）作为该领域的金标准成像技术，通过静脉注射碘化造影剂显著增强血液与周围组织的对比度，能够清晰显示血管解剖结构与病理特征，为疾病诊断提供关键依据。然而，cta对造影剂的依赖带来了不可忽视的临床风险：部分患者存在造影剂过敏、肾功能不全或多发性骨髓瘤等禁忌症，无法耐受造影剂注射；此外，反复暴露于造影剂可能增加造影剂肾病等并发症风险，且检查成本高、流程复杂。相比之下，非对比ct（ncct）无需注射造影剂，具有采集速度快、辐射剂量相对较低、无造影剂相关风险等优势，但其自身无法有效显示血管内部结构，难以直接用于血管病变评估。因此，如何基于人工智能（ai）技术，从ncct图像中直接生成高质量cta影像，已成为医学影像与人工智能交叉领域的研究热点。该技术不仅能规避造影剂使用风险、降低辐射剂量，还能简化检查流程、提升诊断效率，为临床提供更安全、便捷的血管疾病诊断解决方案，具有重要的临床转化价值与研究意义。

2、从技术本质来看，ai 血管造影的核心是通过智能算法精准调整 ncct 图像中血管区域的灰度强度，模拟造影剂对血管的增强效应，从而生成与临床 cta 等效的高质量影像。目前该领域的技术路线主要分为两类：基于生成对抗网络（gans）的生成式方法与基于扩散模型（diffusion models）的渐进式生成方法。

3、在基于gan的方法方面，已有大量探索。一项早期工作提出的2d cta-gan模型，采用生成器、校正器和判别器相结合的网络结构，实现了从ncct到颈部和腹部cta类图像的合成，在内部测试集上达到32.07 db的psnr和0.919的ssim，并在外部验证集上取得了86%的诊断准确率，初步验证了无造影剂cta生成的可行性。另一项研究提出的vesseltransgan框架，将transformer的自注意力机制引入gan生成器中，并设计了2d-3d融合策略，通过像素灰度对齐局部增强血管，同时利用2d切片和3d块的双路生成结果进行融合，在426对ct-cta数据上取得了0.929的ssim，特别关注了脑部小血管的生成。此外，有报道利用gan将整个非对比胸部ct转换为合成对比增强ct，改善了纵隔淋巴结的可视化；还有学者设计了主动脉感知gan，通过关注主动脉边界来增强腹主动脉瘤的描绘；一篇文献提出了两阶段gan框架，用以解决空间错位和患者特异性对比摄取变异性问题。然而，gan方法存在固有缺陷：对抗训练不稳定，易出现模式崩溃和伪影；全局判别机制难以聚焦于像素占比极小的血管区域（颈动脉不足5%）；且多数方法基于2d框架，忽略3d血管的空间连续性，导致重建时切片间断裂、错位。

4、在基于扩散模型的方法方面，近两年涌现出新的进展。一项研究提出的diffcta模型，将对抗性扩散模型应用于ncct到cta生成，通过引入无监督对比增强掩模，设计对比增强注意力机制、对比感知判别器和掩模引导的patchnce损失，使生成器聚焦于受造影剂影响的血管区域，同时利用大步长扩散将推理步数从1000降至4步，在测试集上达到24.74 db的psnr和0.864的ssim。另一项工作提出的aegis框架，则采用条件多视图扩散模型，以对比图（cm = cta - ncct）作为训练目标而非直接学习cta，通过多视图混合学习从横断面、冠状面、矢状面三个平面学习2d切片分布以感知3d特征，并设计条件血管造影扩散估计模块将ncct编码为空间引导提示，最后用轻量级自编码器融合多视图对比图，在心脏ct的冠状动脉和心腔增强任务上取得了psnr 37.08 db、ssim 0.972的优异结果，尤其对细小冠状动脉分支的增强效果显著。此外，已有文献应用条件ddpm从ncct合成对比增强双能ct，但在捕捉细小脑脉管系统方面表现不佳；还有研究提出的syndiff模型采用对抗性扩散模型进行无监督医学图像翻译。扩散模型的优势在于生成质量高、训练稳定，但其主要问题包括：直接处理3d数据计算复杂度过高；逆采样过程耗时（尽管可通过大步长或减少步数加速，但可能损失细节）；且多数扩散模型同样基于2d切片处理，缺乏对三维空间连续性的显式建模。

5、除上述两类主流方法外，也有研究者尝试基于u-net或transformer的级联框架。例如，有工作将3d nnu-net与生成网络级联用于主动脉夹层检测；另有报道提出循环一致的transformer模型cytran以减轻错位伪影。但这类方法普遍缺乏对血管区域的显式引导，输出图像往往模糊，细小血管分支容易丢失。

6、综上所述，尽管gan和扩散模型在ncct到cta生成任务上取得了长足进步，但针对头颈部颈动脉这一特定场景（血管纤细、背景复杂、三维连续性要求高），现有方案的精度和鲁棒性仍难以满足临床实用要求。综合分析现有技术，其核心受制于以下“四大核心技术瓶颈”：

7、（1）生成范式限制：现有技术多基于2d生成框架（无论是gan还是扩散模型，大多在2d切片上训练），忽略3d血管的空间连续性和跨切片关联，导致三维重建时出现切片间血管断裂、错位、强度不一致等问题。aegis虽尝试多视图学习，但仍通过2d切片拟合3d分布，未能从根本上建立端到端的3d生成范式。

8、（2）目标占比极低：颈动脉在头颈部ct影像中像素占比不足5%，分支纤细且结构复杂。现有生成模型普遍采用全局损失函数，背景组织（骨骼、肌肉、脂肪）占据绝大部分像素，模型特征学习易偏离核心血管区域，导致细小分支增强不足或完全缺失。diffcta虽引入对比增强掩模，但其掩模依赖减影阈值，难以适应不同患者的血管形态变异；aegis以对比图为目标，但对比图中仍包含大量非血管区域的微弱差异噪声。

9、（3）数据对齐偏差：ncct与cta扫描存在时间间隔（通常数分钟至数十分钟），患者呼吸、心跳、体位难免发生轻微偏移，导致两种模态的配对数据存在非刚性形变和配准误差。现有方法（尤其是像素级监督的gan和扩散模型）直接使用未完全对齐的配对图像进行训练，会将配准误差视为学习目标，引入伪影和结构失真。patchnce损失等对比学习方法虽能缓解部分错位问题，但尚未完全解决。

10、（4）边界区分困难：在ncct图像中，血管与周围软组织（如肌肉、淋巴结、神经）的亨氏单位（hu）值范围高度重叠，灰度特征相似，边界辨识度极低。模型难以精准界定血管轮廓，导致生成的虚拟cta中血管边缘模糊、与背景粘连，甚至出现假性狭窄或假性动脉瘤等诊断陷阱。mind结构性损失虽能利用局部邻域描述符增强结构一致性，但现有方法多将其应用于全局或简单区域，缺乏对血管树状分支的针对性优化。

技术实现思路

1、发明目的：针对现有ncct生成cta方法中存在的四大核心技术瓶颈——生成范式限制、目标区域占比极低、数据对齐偏差及边界区分困难，本发明提出一种基于mask引导与反向蒸馏的颈动脉非对比ct三维血管造影增强方法，旨在无需造影剂的情况下全自动生成高质量且满足临床诊断需求的虚拟cta图像。

2、技术方案：本发明提出了一种基于mask引导和反向蒸馏的颈动脉非对比ct三维血管造影增强方法，具体包括如下步骤：

3、a）文献调研：深度搜集相关领域的文献资料和发明专利，包括ncct生成cta研究现状、生成对抗网络研究现状、扩散模型研究现状和知识蒸馏研究现状。

4、b）数据收集与预处理：收集配对的ct图像与ncct图像；将收集的数据按是否包含血管标注划分为预训练数据、训练集和测试集，并进行预处理；从南京大学医学院附属金陵医院收集1788对3d ncct与cta图像对，从中挑选138对图像进行血管区域的像素级标注。将含有血管标注的100对图像作为预训练数据，用于训练颈动脉分割模型；1650对不含血管标注的数据作为训练集，用于训练生成模型；剩余38对数据作为独立测试集，并进行统一预处理（包括重采样至相同空间分辨率、窗宽窗位截断及归一化等）。

5、c）构建颈动脉分割模型：基于nnu-net分割网络，构建端到端的3d cta与ncct分割模型。利用100对带有颈动脉血管区域标注的3d图像进行训练，实现对颈动脉血管的自动分割。训练完成后，在38对独立测试集上评估分割精度。

6、d）构建基于mask提示与mind结构性损失的3d cyclegan生成模型：以1650对ncct与cta原始图像及其血管分割结果为训练数据，设计mask提示损失，引导模型聚焦核心血管区域，在抑制非血管区域像素变化的同时鼓励血管区域像素值按需变化；同时设计血管区域mind结构性损失，确保生成的ncct图像中血管与周围软组织的灰度特征高度一致，从而优化血管树状分支的解剖细节。

7、e）提出反向蒸馏策略：基于“ncct→cta”（正向）与“cta→ncct”（反向）双向生成架构，将已训练好的反向生成器（cta→ncct）作为教师模型，以血管剪影及中间层特征图为桥梁，利用反向生成的监督信号辅助正向生成器（ncct→cta）的训练。

8、f）训练分割模型：采用端到端训练方式，将步骤c)构建的分割模型在100对预训练数据上进行训练与优化。

9、g）生成血管分割伪标签：将训练好的分割模型应用于1650对训练集图像，为每一对ncct与cta图像生成颈动脉血管分割结果，作为后续生成模型的血管伪标签。

10、h）两阶段训练生成模型：首先，将训练集中的ncct、cta图像及步骤g)得到的血管分割伪标签输入步骤d)构建的3d cyclegan生成模型，进行第一阶段训练，获得训练良好的生成器a（cta→ncct）和初始生成器b（ncct→cta）；然后，采用步骤e)的反向蒸馏策略，冻结第一阶段的生成器a，对继承第一阶段参数的生成器b进行第二阶段反向蒸馏训练，利用生成器a的输出剪影及中间层特征图优化生成器b。

11、i）测试与评估：将训练完成的生成模型应用于独立测试集（38对ncct与cta），为测试集中所有ncct生成虚拟cta图像，并与对应的真实cta图像进行生成相似性指标计算。

12、具体而言，所述步骤b)中，收集到的1788对3d ncct与cta图像数据中，由南京大学医学院附属金陵医院两位资深医生对其中的138对图像进行颈动脉血管的像素级标注。将含有标注的100对数据作为预训练数据，用于训练颈动脉分割模型；剩余38对作为独立测试集；不含标注的1650对数据作为生成模型的训练集。数据预处理具体包括：首先，将所有图像格式由dicom转换为nifti；其次，通过重采样将ncct图像的origin和direction向配对的cta图像对齐，并将所有图像的空间分辨率（spacing）统一为[0.5, 0.5, 0.5]；最后，根据窗位130、窗宽800对所有图像进行像素值截断，并将像素值归一化至[0, 255]区间。

13、具体而言，所述步骤c)中，训练的两个nnu-net网络（分别针对 ncct 和 cta）均基于 nnu-net v2 架构，采用编码器-解码器结构。编码器通过堆叠三维卷积层与下采样操作逐级提取颈动脉血管的多尺度空间特征；解码器通过上采样与跳跃连接逐步恢复特征图分辨率，融合浅层细节信息与深层语义信息。均采用dice损失与交叉熵（ce）损失的平均值作为损失函数。网络输入为ncct或cta的3d图像，输出为对应的血管区域分割结果，即将整幅图像划分为背景区域和颈动脉血管区域两部分。模型训练采用端到端监督学习，损失函数为 dice 损失与交叉熵损失的加权组合，并在多个分辨率输出层施加深度监督以加速收敛。训练过程中自适应调整学习率，并采用随机旋转、随机缩放及弹性变形等在线数据增强策略，以提升模型对颈动脉形态变异的鲁棒性。训练完成后，所构建的nnu-net分割模型在独立测试集上对cta和ncct图像中血管区域的分割精度分别达到dice系数95.56%和91.57%。

14、具体而言，所述步骤d)中，基于mask提示与mind结构性损失的3d cyclegan生成模型，以1650对ncct与cta原始图像及其血管分割结果为训练数据，输出两个生成器：生成器a（cta→ncct）和生成器b（ncct→cta）。首先，针对现有技术多基于2d生成框架、忽略3d血管空间连续性导致重建时切片间断裂错位的问题，本发明采用3d cyclegan作为基础骨架（backbone），以保持三维空间结构的完整性。其次，针对颈动脉在头颈部影像中像素占比不足5%、分支纤细且结构复杂、模型易受背景组织干扰导致特征学习偏离核心区域的问题，本发明设计并引入了mask引导损失，其公式如下：

15、

16、

17、其中，和分别表示生成器a和生成器b的mask引导损失，和分别表示cta与ncct图像上的血管分割伪标签，和分别表示真实的cta与ncct图像对，和分别表示模型生成的cta与ncct图像对，代表l1loss。该损失模拟真实cta与ncct的成像原理——造影剂应仅引起血管区域灰度变化，从而引导模型聚焦核心血管区域，在抑制非血管区域像素变化的同时，鼓励血管区域像素值按需变化。最后，针对ncct中血管与周围软组织的灰度特征高度相似、导致细小血管分支难以保留的问题，本发明设计并引入了血管区域mind结构性损失，其公式如下：

18、

19、其中，表示生成器a的mind结构性损失，表示cta上的血管分割伪标签，表示由cta生成的ncct图像，mind表示模态无关邻域描述符。该损失驱使由cta生成的ncct图像中的血管灰度向周围软组织灰度对齐，从而优化血管树状分支等细小结构的解剖细节。

20、具体而言，所述步骤e)中的反向蒸馏过程，以步骤d)中训练得到的生成器a（cta→ncct）和生成器b（ncct→cta）作为初始模型，以血管剪影及中间层特征图为桥梁，在两个生成器之间进行知识蒸馏。其具体流程如下：首先，冻结生成器a作为教师模型，继承步骤d)中权重的生成器b作为学生模型，继续以1650对ncct与cta原始图像进行训练。类比于知识蒸馏中的响应式蒸馏，并基于“cta相比于ncct应当仅有血管区域灰度升高”这一事实，设计并引入剪影结构对齐损失；剪影结构对齐采用如下方式：生成器a的剪影定义为输入cta减去输出ncct，生成器b的剪影定义为输出cta减去输入ncct，通过最小化两者之间的ssim损失，使生成器b的剪影逼近生成器a的剪影，其公式如下：

21、

22、其中，表示剪影结构对齐损失，和分别表示真实的cta与ncct图像，和分别表示模型生成的的cta与ncct图像，代表ssimloss。该损失促使生成器b的剪影（生成cta减去输入ncct）向生成器a的剪影（输入cta减去生成ncct）进行结构对齐。其次，类比于知识蒸馏中的特征式蒸馏，设计并引入特征对齐损失；特征结构对齐采用如下方式：提取生成器a与生成器b中间第k层特征图（k=1,2,3,4，共k=4层），通过最小化对应层特征图之间的ssim损失，使生成器b的特征表示逼近生成器a，其公式如下：

23、

24、其中，表示特征结构对齐损失，代表ssim loss，和分别代表生成器a和生成器b的中间第k层特征图，k=4，k=1,2,3,4。该损失从模型中间层特征层面促使生成器b向生成器a学习，实现更深层次的知识迁移。

25、有益效果：本发明构建了一个全新的三维血管造影生成框架，实现了从ncct图像到高质量cta图像的端到端生成，同时能够保障血管整体结构的完整性。本发明创新性地提出了3d mask-guided cyclegan模型，将血管分割结果作为辅助域信息融入生成过程，通过mask提示损失引导模型聚焦核心血管区域，同时引入mind结构性损失，精准优化血管树状分支的解剖细节。值得注意的是，本发明首次提出反向蒸馏思想，以血管剪影及中间层特征图为桥梁，在输入输出完全相反的生成器之间实现知识迁移，进一步提升虚拟cta的图像质量与解剖保真度。最终，推理时仅需输入ncct图像，即可全自动生成满足临床诊断需求的高质量虚拟cta图像，兼顾生成性能与临床实用价值，为无造影剂血管成像提供了新的技术路径。