European Radiology：基于CCTA的深度学习冠状动脉自动分割及狭窄诊断

冠状动脉疾病（CAD）是导致心肌缺血的主要原因之一，近年来已成为全球医疗保健的主要关注点之一。CAD人群的风险评估在早期识别高危患者以及优化治疗方案（包括药物治疗、冠状动脉介入和手术）、改善患者的预后方面起着关键作用。现阶段，冠状动脉计算机断层扫描（CCTA）在引入临床应用后的20年里得到了迅速发展，使医生能够在短时间内获得高质量的冠状动脉解剖图像，并具有较高的诊断准确性。考虑到其在CAD诊断中出色的特异性，CCTA已经成为疑似CAD患者筛查（I级，B级）和风险分层（I级，B级）的一线影像学检查。

CCTA图像是计算机断层扫描测量的体积集合，其中冠状动脉中的造影剂使管腔清晰可见，通过对冠状动脉壁和管腔的分割可以获得斑块的解剖学和形态学信息，进一步评估狭窄的严重程度。然而，图像的后处理通常是在放射科工作站进行的，而冠状动脉树的分割和重建十分耗时且繁琐。

最近，深度学习算法已被成功开发用于医学图像分析以处理大量数据、分割或检测感兴趣的区域（ROI），并在没有人工干扰的情况下自动对疾病进行高精度分类。这一领域的大多数研究仅限于冠状动脉树的分割。然而，很少有研究表明深度卷积神经网络对冠状动脉树的狭窄检测的诊断准确性。

近日，发表在European Radiology杂志开发了一个用于自动冠状动脉重建的深度学习工具和一个基于大型单中心回顾性CCTA队列的CAD-自动诊断模型，并评估了这个人工智能辅助工具的诊断性能，为临床快速准确的评估冠状动脉斑块的性质及狭窄程度提供了技术支持。

CAD自动诊断由两个子任务组成。一个是分割任务，其目的是用U-Net从原始图像中提取感兴趣的区域（ROI）。第二个任务是识别任务，本研究使用3DNet实现。冠状动脉树图像和临床参数被输入3DNet，并输出CAD诊断结果。 

本研究根据CCTA图像和相应的标记建立了一个冠状动脉分割模型。该分割模型的平均Dice值为0.771 ± 0.021。基于这个模型，本研究建立了一个CAD的自动诊断模型（分类模型）。平均准确率和受试者工作特征曲线下的面积（AUC）分别为0.750 ± 0.056和0.737。 

图 (a1-a3)由专业医生手工划线(红色轮廓)。(b1-b3)使用DCNNs自动分割(绿色轮廓)。(c1-c3)两个轮廓在三维空间中的重叠

本项研究利用深度学习算法，通过两个步骤实现了基于CCTA图像的CAD快速分类和诊断。本研究提出的深度学习模型能够快速、准确地自动分割冠状动脉，并能提供≥50%的冠状动脉狭窄的诊断。虽然这种人工智能不能完全取代CCTA图像分析中的人工操作，但可以大大增加CCTA图像分析的效率并减少放射科医生的工作量。

原文出处：

Yiming Li,Yu Wu,Jingjing He,et al.Automatic coronary artery segmentation and diagnosis of stenosis by deep learning based on computed tomographic coronary angiography.DOI:10.1007/s00330-022-08761-z