今年4月，数坤科技与北京理工大学等单位合作的科研论文《使用先前的主动脉解剖简化进行基于多阶段学习主动脉夹层分割》，发表在期刊《MedicalImageAnalysis》，影响因子为8.。该科研项目由北京理工大学生物医学工程系、数坤（北京）网络科技股份有限公司的研究人员共同完成。主动脉夹层（aorticdissection，AD）是一种非常凶险的心血管疾病，夹层血管的三维重建对于临床疾病的诊疗过程具有重要意义。本研究设计了一种全自动B型夹层智能分割框架，实现真腔、假腔和分支血管的单独重建，并基于B型夹层的先验形态学特性设计血管结构简化方法，显著提高了真、假腔的分割精度。该模型明显优于已公开的其他算法，能够更好地同时充分学习血管的全局和局部特征，具有良好的临床应用价值。

研究背景

主动脉夹层血管结构的三维重建具有重要的临床价值，不仅支持3D血管参数（如直径、真/假腔体积，撕裂口面积）的精准自动化测量，还可以为虚拟支架植入的计算机模拟以及血液动力学分析提供算法基础。但人工方法实施准确的夹层三维重建非常耗时，许多传统的自动分割算法又面临着精度低，泛化性差，以及人工干预较多的问题。北京理工大学陈端端教医院熊江教授基于7年合作，在3项国家自然科学基金、2项科技部重点研发项目子课题、1项北京市自然科学基金和1项北京市科技新星计划的支持下，对主动脉夹层智能诊疗开展深度研究。团队成员张栩阳近期在《Medicalimageanalysis》（中科院1区Top期刊，IF：11.1）期刊上发表开创性成果，该研究主要以数坤科技深度卷积网络为基础，设计了一种融合夹层先验形态知识的多阶段分割网络框架，实现B型主动脉夹层的快速精准重建。这种重建方法明显优于已公开的其他算法，能够更好的、充分的体现血管的整体和局部特征，具有良好的临床应用价值。

研究方法

在数据层面，该研究纳入例B型夹层患者CTA数据（年龄分布：53.15±11.36,男性患者97例），CT扫描有效断层数分布为±.75，水平成像分辨率0.±0.mm（×体素），层厚0.5-1.0mm。每个案例数据均在临床专家的指导下完成标注，其中真腔、假腔和主要分支血管（包括弓上分支、腹部分支和髂分支）被标注为三种独立的解剖结构。在算法层面，该研究建立了一种新型深度学习分割框架，含有CTA预处理和多阶段血管分割两个核心环节，实现了真腔、假腔和分支血管的独立分割重建。

图1.本研究提出的B型主动脉夹层自动分割流程，包括CTA预处理和多阶段血管分割两个核心环节。

对于图像预处理，算法首先基于造影区域CT值的先验分布特征（-HU）和必要的形态学运算进行血管初步定位，计算VOI区域，并将该区域规范化至统一的物理分辨率和尺度（X-Y方向：×0.7mm，Z方向1.0mm）。

图2.CTA预处理流程，计算含有主动脉结构的VOI区域，在X-Y平面上具有相同的物理尺度（×0.7mm）。

在多阶段分割环节，使用了两个级联的数坤科技3D卷积神经网络（convolutionalneuralnetwork，CNN），其中CNN1实现主动脉主干/分支血管的分割，而CNN2负责实现真腔/假腔的分割，算法所设计的CNN模型采用Denseblock作为基本模块，提高网络参数的利用效率。

图3.3DCNN基本结构

为了突出真腔和假腔的解剖结构的差异，提高CNN2的分割精度，本研究依赖于夹层血管近似管状结构的形态学先验特征，设计了一种主动脉拉直算法，消除自然弯曲的主动脉弓所引入的无关结构信息的干扰。主动脉的拉直过程分为中心线计算和横截面堆叠两个环节，在中心线的计算过程中，先使用骨架化算法和迪杰斯特拉算法实现主动脉中心线的初始化，而后利用三种目标函数约束并优化中心线形态，实现自适应平滑：(1)位置约束：使中心线沿血管中心区域延申，不会偏离至血管边缘，(2)距离约束：使中心线相邻点之间的距离趋向一致，(3)平滑约束：使中心线曲率不会出现阶跃性变化，中心线自适应平滑的最终要最小化的目标函数为：基于平滑后的中心线截取的离散平面具有局部坐标系的随机性，本研究对每一个离散层引入一个可优化的旋转角度，利用角度平滑约束实现平面的自适应旋转，使得离散截面具有良好的连续性：

图4.中心线平滑和平面角度优化的收敛效果

研究结果

该研究采用6-fold交叉验证的方法（单组实验训练、验证和测试集比例为4：1：1），分析比较了三种B型夹层分割策略的效果，分别为多任务分割策略（multi-class，端对端直接实现三种不同解剖结构的分割）、不使用主动脉拉直的多阶段分割策略（NS），以及研究中所提出的基于拉直的多阶段分割策略（S），可以发现所提出的基于拉直的多阶段分割方法在Dice系数（DSC）、95%Hausdorff距离（HD95）以及平均边界距离（MBD）三种指标上均具有明显的优势。

图5.不同策略（multi-class、NS和S）的性能比较

图6.不同策略的分割重建结果，文章提出的方法效果最优

图7.不同策略分割结果的真、假腔体积与人工标注的一致性分析

图8.不同策略的血管边界及撕裂口的识别效果

该研究利用数坤科技U-Net、SegNet以及DeepLabV3+模型替代基于Denseblock的模型进行训练，发现任何一种网络模型都可以使用基于血管拉直的多阶段分割策略，并获得最优分割效果，但网络模型本身对于分割效果也具有一定的影响，使用数坤科技反卷积进行升采样的编码-解码网络结构具有明显的优势。

表1

表2

和目前已经报道的夹层分割算法相比，该研究所提出的方法在多种指标上均体现出明显优势，而且验证数据量相对较大。基于同样的数据集和划分比例，测试同类深度学习框架可以发现，本研究所提出的方法在真腔和假腔的分割Dice系数上均可实现约10%的提升（主动脉整体：0.96vs.0.86,真腔：0.92vs.0.82，假腔：0.93vs.0.84）。

表3

研究结论

基于血管先验形态的拉直算法可以显著降低主动脉形态的复杂性，突出真腔和假腔的形态相对差异，有效提高不同腔体的分割精度和空间连续性，而腔体连续性也是影响算法临床实际应用的关键问题。相比之下，由于计算资源的制约，传统的端对端模型在训练过程中所能利用的血管上下文信息有限，在分割结果的管腔连续性上就会有很明显的劣势。本文所提出的模型可以同时充分学习血管体积的全局特征和裂口局部特征，又可以提供分支血管，从而支持后续的血液动力学计算，相比于传统模型，该模型会更加具有服务于临床的潜力。在后续的研究中，将优化算法的设计，实现分支血管的分割优化，以及术后血管和A型夹层的分割重建，也将针对B型夹层的分割结果开展一系列3D形态学参数精准测量的算法研究。预览时标签不可点收录于话题#个上一篇下一篇


转载请注明地址:http://www.longdana.com/ldzy/9152.html