使用深度学习在CTA扫描卷下实现主动脉夹层分类和直径测量的双功能系统

黄志辉 ,  王锐 ,  余晖 ,  徐亦凡 ,  程骋 ,  王光炜 ,  曹浩森 ,  魏翔 ,  张海涛

工程（英文） ›› 2024, Vol. 34 ›› Issue (3) : 88 -97.

PDF (3057KB)
工程（英文） ›› 2024, Vol. 34 ›› Issue (3) : 88 -97. DOI: 10.1016/j.eng.2023.11.014
研究论文

使用深度学习在CTA扫描卷下实现主动脉夹层分类和直径测量的双功能系统

作者信息 +

Engineering

Author information +
文章历史 +
PDF (3129K)

摘要

急性主动脉夹层是最具致命性的心血管疾病之一，具有很高的死亡率。其在人群中的患病率为0.2%~0.8%，因人为检查未能及时发现而导致大量死亡。此外，主动脉直径作为手术策略选择的关键指标，会对诊断后的手术结果有显著的影响。因此，开发一种能够识别和区分主动脉夹层类型并测量主动脉直径的自动诊断系统是一项紧迫而具有挑战性的任务。本文提出了一种名为DDAsys的双功能深度学习系统，旨在实现对主动脉夹层的准确分类和对主动脉直径的精确测量。为此，我们创建了一个包含来自武汉同济医院心胸血管外科的279名患者的61 190张计算机断层扫描血管造影（CTA）影像的数据集。该数据集提供了对难以识别特征的切片级归纳，有助于提高对主动脉夹层的识别和分类的准确性。我们的系统在主动脉识别上实现了0.984的F 1分数，主动脉分类上达到了0.935平均分类F 1分数，并且对升主动脉和降主动脉直径的测量精度分别为0.994 mm和0.767 mm的均方根误差。该系统推荐的手术治疗与实际相应手术之间的高一致性（88.6%）验证了我们的系统在协助临床医生制定更及时、精确和一致的治疗策略上的能力。

Abstract

Acute aortic dissection is one of the most life-threatening cardiovascular diseases, with a high mortality rate. Its prevalence ranges from 0.2% to 0.8% in humans, resulting in a significant number of deaths due to being missed in manual examinations. More importantly, the aortic diameter—a critical indicator for surgical selection—significantly influences the outcomes of surgeries post-diagnosis. Therefore, it is an urgent yet challenging mission to develop an automatic aortic dissection diagnostic system that can recognize and classify the aortic dissection type and measure the aortic diameter. This paper offers a dual-functional deep learning system called aortic dissections diagnosis-aiding system (DDAsys) that enables both accurate classification of aortic dissection and precise diameter measurement of the aorta. To this end, we created a dataset containing 61 190 computed tomography angiography (CTA) images from 279 patients from the Division of Cardiovascular Surgery at Tongji Hospital, Wuhan, China. The dataset provides a slice-level summary of difficult-to-identify features, which helps to improve the accuracy of both recognition and classification. Our system achieves a recognition F1 score of 0.984, an average classification F1 score of 0.935, and the respective measurement precisions for ascending and descending aortic diameters are 0.994 mm and 0.767 mm root mean square error (RMSE). The high consistency (88.6%) between the recommended surgical treatments and the actual corresponding surgeries verifies the capability of our system to aid clinicians in developing a more prompt, precise, and consistent treatment strategy.

关键词

主动脉夹层 / 计算机断层扫描血管造影 / 分类 / 深度学习

Key words

Aortic dissections / Computed tomography angiography / Classification / Deep learning

引用本文

引用格式 ▾
黄志辉,王锐,余晖,徐亦凡,程骋,王光炜,曹浩森,魏翔,张海涛. 使用深度学习在CTA扫描卷下实现主动脉夹层分类和直径测量的双功能系统[J]. 工程（英文）, 2024, 34(3): 88-97 DOI:10.1016/j.eng.2023.11.014

登录浏览全文

4963

注册一个新账户 忘记密码

Contents lists available at ScienceDirect
journal homepage: www. elsevier.com/locate/eng
ELSEVIER

1 引言

主动脉夹层是一种危及生命的主动脉疾病[1‒2]。主动脉包含内、中、外膜三个层级[3]，内膜层破裂导致血液渗入中层，从而发生主动脉夹层[4]。在症状开始后不久，未经治疗的急性主动脉夹层患者的死亡率每小时会增加1%~2% [5]。因此，迅速而精确的诊断对于缩短术前时间至关重要。成功测量主动脉直径可以用于制定手术策略[6]，协助医生做出及时准确的治疗决策。已经有一些尝试使用机器智能来诊断主动脉夹层，重点是识别主动脉夹层或测量主动脉直径。然而，由于主动脉夹层的低发生率，每年大约每10万居民中仅会有3~35例主动脉夹层患者[7]，目前仍然缺乏公开可用的带注释数据。因此，迫切需要设计一种基于人工智能（AI）的专业组合方法，能够提供完整而准确的手术建议。

计算机断层扫描血管造影（CTA）是识别主动脉夹层的有效手段[8]。基于CTA数据，结合机器学习方法的主动脉夹层诊断技术在过去几年里得到了广泛研究，旨在提供更准确的诊断结果[9]。其中大部分研究探讨了某种特定类型的急性主动脉夹层的真腔和假腔的分割[10]，而其他研究人员则更关注于主动脉的定位[11]和其中心线的提取[12]。这些研究已经证明了机器学习在提取主动脉外轮廓方面的有效性，为AI理论和方法在主动脉夹层的检测和分类中的应用发展铺平了道路。Pepe等[13]致力于使用带有DropoutBlock的卷积神经网络实现在标志点附近对主动脉横截面的鲁棒性提取。他们指出，由不同人类操作员进行的主动脉直径测量间的一致性偏差可高达5.33 mm，这为未来研究人员在开发机器测量算法方面提供了参考。但是相关直径测量的准确性未明确说明。

近年来，自动识别主动脉夹层方面的研究取得了巨大的进展。在一项开创性的研究中，Zhao等[2]将形态学约束与深度编码网络结合起来，实现了对主动脉的高效准确分割。Hahn等[14]基于TernausNet [15]开发了一个五步的分割流程，实现了对主动脉以及特定类型夹层的真腔和假腔的分割。Chen等[16]设计了一个包含三个密集和反卷积模块的两阶段深度网络，用于分割真腔和假腔。此外，他们提出了一种主动脉中心线拉直方法，以提高主动脉分割的准确性，从而便于后续主动脉的内部特征提取。为了实现对主动脉夹层的自动识别，其他学者[17‒20]在切片级进行异常检测，进而综合分析所有切片的信息，得出最后的诊断结果。然而，这些研究大多是在小数据集（仅有10~20例）上进行的，更通用的方法还要进一步探究。

令人鼓舞的是，Yellapragada等[21]设计了直接在患者级别诊断急性主动脉综合征的卷积神经网络，能判断患者是否存在穿透性主动脉溃疡、血肿和主动脉夹层这三种病变。Xiong等[22]提出了一个级联的多任务生成框架，使用非增强计算机断层扫描检测主动脉夹层，F 1分数为0.847，离实际应用仍有差距。迄今为止，大多数现有模型仍然面临无法判断主动脉夹层类型这一难题。

为解决这一问题，本研究开发了一个带有膨胀模块的两阶段分割网络，由此构建了一个用于多类别主动脉夹层的诊断辅助系统。该系统在我们建立的数据集上进行训练，数据集包括从279名患者中收集的61 190张影像，如图1所示。我们将该系统命名为“主动脉夹层诊断辅助系统（DDAsys）”。考虑到一些患者病例没有明显的真腔或假腔，我们提出的DDAsys直接对内膜瓣进行分割，这是诊断主动脉夹层最显著的特征。通过在低质量影像上训练本文的模型，我们实现了对存在潜在干扰的CTA数据在DeBakey分型下的高精度主动脉夹层的识别和分类，该分类根据主动脉夹层出现的范围将诊断结果分为三类（图1）。此外，提出的DDAsys可以测量主动脉直径，从而协助医生选择人工血管和涂层支架移植物[23]。

最后，该系统会给出一种外科手术方法建议；可能的建议包括升主动脉/主动脉弓置换手术、胸主动脉内膜修复术（TEVAR）[24]或它们的组合。此外，测量患者主动脉直径可为选择人工血管和涂层支架移植物提供依据。这个系统有望为从基于深度学习的CTA影像特征识别方法到AI辅助的主动脉夹层诊断的实际应用铺平道路。

本研究主要有三点贡献，包括：① 提供一个数据集，该数据集包括从279名患者中收集的61 190张影像，并总结归纳了六种典型的干扰特征，可为大幅减少假阳性数量提供帮助；② 开发了一种高准确性的双功能系统，用于患者级和切片级的主动脉夹层诊断；③ 比较了DDAsys系统推荐的手术方法与实际使用的方法，取得了较高的一致性率（88.6%）。

2 主动脉夹层智能诊断方法

2.1 数据采集和标注

自建的主动脉夹层数据集包含了在隶属于华中科技大学同济医学院的同济医院心胸血管外科接受医学检查的成年患者的回顾性匿名数据，时间跨度从2014年1月16日至2020年12月24日。

CTA扫描卷被标注并分为四类：正常、主动脉Ⅰ型、Ⅱ型和Ⅲ型。它们的图标示例显示在附录A的图S1中，年龄和性别信息记录在附录A的表S1中。标注过程包括两个步骤：

步骤1：来自同济医院心胸血管外科的经验丰富的医生使用医学影像处理软件3D Slicer 4.11（美国国家卫生研究院）[25]对训练、验证和测试扫描中的主动脉区域进行像素级标注。

步骤2：医生根据DeBakey的分类对所有CTA扫描卷进行标注。对于用于验证直径测量准确性的案例，医生需每隔五张扫描切片对所选血管段的主动脉直径进行手动测量。

2.2 AI系统概述

本文采用两个连续的卷积神经网络构建了一个两阶段网络框架，用于在CTA扫描中分割主动脉和内膜瓣。主动脉直径的测量是通过对主动脉的分割实现的。本文使用了减小斑点各向异性扩散（SRAD）的[26‒27]算法对影像进行去噪；影像的分辨率被统一调整为256 × 256，以匹配第一个卷积神经网络的输入层。预处理后的影像被送入第一个卷积神经网络来分割主动脉，其输出同样被转换为256 × 256的影像，并且输入到第二个卷积神经网络中，以实现对内膜瓣的分割提取。第一个网络的输出可以分为三种情况，对应于主动脉的不同段，如图2所示。根据检测到的主动脉区域的数量和形状，DDAsys可以简洁而有效地确定当前输出影像属于哪个主动脉段。

为了减少由主动脉分割误差引起的错误（例如，在仅存在降主动脉的段中提取到两个主动脉区域），本研究使用大小为五个切片的滑动窗口来检测主动脉不同扫描段的交界，从而将整个CTA扫描卷分成三段。根据在切片内检测到的主动脉区域的数量和形状，将每个切片分类为这三个段中的一个。一旦切片的类别与其所属的扫描段不符，该切片将被丢弃。对于每个CTA扫描卷，我们分别计算在升主动脉和降主动脉检测到夹层的切片数量，从而进行后续的诊断。DDAsys方法的概述如图2所示。

经过筛选的影像会被输入到第二阶段网络进行内膜瓣的分割。检测到内膜瓣的切片会被记录，最后通过sigmoid函数计算分类分数。

2.2.1 两阶段卷积结构

如图3所示，模型的CTA切片输入记为 i n p u t ∈ R 256 × 256，生成的主动脉分割结果为 y 1 ∈ R 256 × 256，内膜瓣分割结果为 y 2 ∈ R 256 × 256。

为了提高准确性并避免过拟合，本研究在第一个用于主动脉分割的卷积网络中设置了21个隐藏层，并在每个块中使用了残差块来抑制梯度消失现象。在CTA扫描影像中，升主动脉和降主动脉彼此远离，且它们的形状简单（近似一个圆形），因此扩大感受野可以更好地提取主动脉位置的信息以防止将其他类似圆形的结构误判为假阳性。Li等[28]证明了空洞卷积可以有效地扩大网络的感受野。因此，如图3所示，我们在第一个卷积神经网络的瓶颈处添加了空洞卷积[29]来提高卷积神经网络的全局信息捕捉能力以期准确地定位主动脉。

第二个卷积神经网络采用标准的卷积层并根据UNet框架[30]构建。在两个卷积神经网络中都使用了dropout以及修正线性单元（ReLU）以提高收敛速度。

用于主动脉和内膜瓣分割的网络均使用Dice损失函数进行训练。输出层通过sigmoid函数 1 / ( 1 + e - x f )生成分割结果，经由该函数返回目标和背景的分布情况。这里，x f表示最后一个卷积层的输出。

2.2.2 损失函数

在第一阶段网络从CTA扫描切片中提取主动脉区域以及第二阶段网络从主动脉区域中提取内膜瓣的过程中，目标只占整个影像的一小部分。Dice损失[31]将预测结果与实际情况进行比较，可以很好地处理这种情况。因此，这两个级联的卷积神经网络均使用Dice损失进行训练，如参考文献[32‒33]：

D i c e   l o s s = 1 - 2 X ⋂ Y X   +   Y

其中，X 和Y分别表示预测结果和真实标签，该计算过程不考虑背景像素，即使目标只占影像的一小部分，Dice损失也能返回一个适当的损失函数来推动网络的训练。

3 实验和结论

3.1 训练和测试数据

本研究使用在同济医院收集的279例CTA扫描卷，其中包括89例Ⅰ型、17例Ⅱ型、66例Ⅲ型和107例正常情况；将其中137例用于测试。根据这些CTA扫描卷，我们构建了两个影像数据集，分别用于主动脉分割和内膜瓣分割。用于训练的主动脉分割数据集包括来自70个CTA扫描卷的1006 + 8958 × 2 = 18 922张影像，其中8958张影像采样自主动脉段。考虑到患者检查中会使用不同剂量的对比增强剂，我们将影像亮度调整为原来的一半来进行数据增强。另外的1006张影像是在主动脉段之外采样的，以防止网络误将其他结构误认为主动脉。图1提供了该数据集的示意图。

所提出方法的第二阶段对主动脉内的内膜瓣进行分割。我们将所有切片影像输入第一阶段的卷积神经网络，从中提取出主动脉并将输出结果统一调整到256 × 256的分辨率作为第二阶段网络的输入。在筛选和删除不正确的分割结果后，得到了61 190张影像。这些影像被分为两类：存在主动脉夹层的切片（阳性）和正常切片（阴性）。受Han等[34]的工作启发，本研究使用半监督方法训练分割网络，我们使用基于Hessian矩阵（HM）的方法[18]在每个影像上进行初步的内膜瓣检测，检测结果与真实情况相匹配的5752张影像被选择为训练集的一部分，相应的检测结果被用作它们的标签。此外，还向训练集中添加了575张在边缘附近存在阴影的负样本。其余的54 863张影像被用于切片级别的测试。用于训练的5752张影像和575张影像部分来自先前用于第一阶段网络训练的70个样本，部分来自额外的72个样本。因此，整个系统总共使用了142个病例用于训练，剩余的137个病例用于测试。对第二阶段的训练影像进行数据增强（图1）；除了亮度调整到一半之外，我们还将影像逆时针旋转90°。这样，构建了一个包含13 804张影像的训练集。

剩余的137例病例用于测试。我们从这些病例中采样了54 863张影像，以评估网络在切片级别上判断难识别影像的能力。我们总结了容易导致识别错误的六个影像特征。图4展示了这54 863张影像在切片级别上更详细的占比。

值得注意的是，本文使用了19例Ⅰ型和26例Ⅲ型病例并基于均方根误差（RMSE）来评估直径测量的准确性。最后，系统根据诊断结果从升主动脉/主动脉弓置换手术、TEVAR [35]或它们的组合中推荐一种手术方式，并在进行了65例手术的65名患者上对DDAsys系统推荐的外科手术方法进行了验证。

本研究使用在验证集中表现最佳的深度卷积网络（如图2所示）作为最终模型。最终模型中的主动脉和内膜瓣分割的Dice系数[36]分别为0.958和0.913。

3.2 统计分析

在双侧95%置信区间（CI）下的精确度、灵敏度和召回率、特异度、F 1分数以及受试者工作特征（ROC）曲线下的面积（AUC），被用于量化系统在主动脉夹层识别方面的性能[37]。每个类别的精确度、灵敏度和召回率、特异度和F 1分数与真阳性检测率（TP）、真阴性检测率（TN）、假阳性检测率（FP）和假阴性检测率（FN）的比值关系有关[38]，具有以下表达式：

P r e c i s i o n = T P T P   +   F P
S e n s i t i v i t y / r e c a l l = T P T P   +   F N  
S p e c i f i c i t y = T N T N   +   F P
F 1 = 2   ×   P r e c i s i o n   ×   S e n s i t i v i t y / r e c a l l P r e c i s i o n   +   S e n s i t i v i t y / r e c a l l  

此外，我们使用平均F 1分数评估系统在所有类别数据上的分类结果：

F ¯ 1 = 1 N c ∑ n = 1 N c F 1 n

其中，N c代表类别数。

使用RMSE和平均绝对误差（MAE）评估直径测量的准确性：

R M S E =   1 N d ∑ i = 1 N d ( D i - D ^ i ) 2
M A E =   1 N d ∑ i = 1 N d D i - D ^ i

其中， D i是第i个测试用例的实际平均直径， D ^ i是第i个测试用例的平均直径测量值，N d代表测试用例的数量。

3.3 患者级别的性能表现

我们从夹层识别和分类两方面评估DDAsys的性能，其结果分别见表1和表2。可见，DDAsys在识别方面实现了0.984的F 1分数、0.980的灵敏度和0.976的特异度。为进一步评估DDAsys的有效性，我们将其与常用的深度分类网络ResNet18 [39]进行了比较。结果显示，由于在切片级别上TP大幅提高，DDAsys在患者级别上的夹层识别和分类准确性均优于ResNet18（表3）。

使用sigmoid函数 1 / 1 + e - x D - T h（其中，x D为检测到夹层的CTA切片的数量，Th表示阈值）将升主动脉和降主动脉中异常切片的数量转化为夹层分数，从而在患者级别生成诊断结果（图2）。通过分别调整升主动脉和降主动脉上的分类阈值，我们得到了不同类别的ROC曲线，以进一步评估DDAsys的分类性能，如图5（a）所示。夹层的分类灵敏度分别达到了97.1%、85.7%、94.1%和97.8% [图5（b）]。Ⅰ~Ⅲ型和正常类型测试样例的AUC分别为0.959（95% CI 0.953~0.964）、0.855（0.833~0.877）、0.942（0.936~0.948）和0.966（0.962~0.971）[图5（a）]。我们评估了ROC曲线上的拐点以得到阈值Th。

图5（a）中曲线的迅速上升表明DDAsys能够同时保持高灵敏度和特异度。性能很快达到瓶颈，阈值的变化不再造成影响；这表明检测到的假阳性或假阴性数量较少。

3.4 切片级别的识别性能

我们在切片级别概括了六种易引起识别错误的影像学特征（图4）；此外，在训练集中，本文将外部阴影特征（通常出现在主动脉边缘但由结缔组织引起）考虑在内。该措施有助于防止系统将任何异常都识别为内膜瓣，从而降低了这六个特征可能导致的潜在错误，并避免了过拟合，确保了对真实夹层的检测。随后的实验验证了DDAsys在切片级别的精度，进一步展示了它在这些难以捉摸的特征上的性能。

在假阳性样本中通常由四种影像学特征导致：内部阴影、钙化、伪影和外部阴影。带有伪影的影像与存在内膜瓣的影像具有相似的影像学特征；影像中的外部阴影容易被误认为是假腔，因此容易产生假阳性。此外，内部阴影和钙化可能导致影像中出现较为明显的灰度变化，这类灰度变化通常出现在主动脉正常区域和夹层之间，因此增加了识别的难度。

表4显示了DDAsys方法在识别这四种特征方面的性能。DDAsys实现了93.8%的平均灵敏度（最高和最低灵敏度分别为98.9%和90.3%），确保了后续夹层分类的准确性。

另两个导致假阴性的特征为弱对比度的内膜瓣和靠近主动脉边缘的内膜瓣。它们的影像学特征如图4所示。相应的结果显示在表3中，表3表明要在这两个因素上实现高识别准确性是困难的。

本文比较了DDAsys、HM和ResNet18之间的性能。与HM相比，DDAsys在负样本上具有更高的平均灵敏度，为95.00%，而HM仅为75.3%（表4）

尽管ResNet18在负样本上的表现略优于DDAsys，但ResNet18在检测正样本时的准确性损失比DDAsys更大（表3）；因此，DDAsys仍然表现更好，在内膜褶瓣检测的准确性方面比ResNet18高56.5%，ResNet18仅为32.9%。在正负两类切片上的高精度解释了DDAsys在患者级别的高准确性，因为过于随意地舍弃正样本是不合理的，而大量的假阳性又将导致识别和分类的错误，从而导致患者级别的识别准确性降低。

表3和表4中的结果展示了DDAsys相对于HM和ResNet18的优势。这是因为DDAsys基于深度卷积网络且部分训练数据采用HM算法提取，因此平衡了灵敏度和特异性。

DDAsys提取的特征分布如图5（c）所示。除了一些误分类结果外，不同类别的样例簇之间存在明显的分界，且大多数误分类结果都朝向相邻的垂直区域。这意味着误判通常发生在对升主动脉夹层的检测中，这可能是在后续研究中进一步提高准确性的关键。

3.5 直径测量和手术方法推荐

此外，根据DDAsys提取的主动脉部分，可以进一步测量主动脉直径。对于升主动脉，我们计算了从主动脉根部到主动脉弓的平均直径。对于降主动脉，我们检测了从主动脉弓到腹主动脉的部分。结果见表5。

为了验证该系统在临床应用中的价值，DDAsys根据诊断结果向心脏病专家提供建议，对Ⅰ型夹层的患者建议同时采用升主动脉/主动脉弓置换手术和顺行TEVAR，对于Ⅱ型夹层患者建议采用升主动脉/主动脉弓置换手术，而对于Ⅲ型夹层的患者则仅建议TEVAR。我们在65例患者身上验证了DDAsys推荐的手术治疗方案，在真实的临床手术中这65例患者有7例同时采取了升主动脉/主动脉弓置换手术和顺行TEVAR，4例采用了升主动脉/主动脉弓置换手术，54例采用了TEVAR。DDAsys建议的方法与经验丰富的临床医生实际采用的手术治疗方法的平均一致性达到了88.6%（见附录A中的表S2）。

4 讨论

本研究提出了一个双功能系统，旨在帮助非心脏病学家诊断主动脉夹层。本研究的系统在分类和直径测量方面都表现出高精度的诊断，这样可以及时对患者进行分流和治疗。表3和表4中的结果表明，传统的影像处理算法和深度分类网络在处理具有挑战性的样本时无法保持高水平的准确性，而本研究的系统在具有挑战的正样本的准确性上仍存在不足，如图6所示。我们对CTA扫描卷进行了细致的分析，这使我们的数据集包含了具有挑战性的样本，有助于分析难以区分的夹层并突破性能瓶颈。

由于当前的数据集是在没有心电图门控的情况下收集的，因此主动脉周围经常会出现伪影[40‒41]。有经验的医生可以区分伪影，但对于AI辅助诊断系统而言，这种干扰不可避免地增加了误判的概率。此外，由于不同患者使用不同剂量的血管造影剂，CTA扫描卷的对比度变化较大。本研究的深度学习模型可以提炼医生处理伪影的经验，并以这种方式提取CTA影像的高阶特征，从而使该模型对于多样化的影像更加有效。

值得注意的是，DDAsys能够在切片级别上对异常进行捕捉，从而实现对整个CTA扫描卷的分析。DDAsys在切片级别上保持较低的假阳性率，提高了对主动脉异常的诊断灵敏性。我们比较了DDAsys和HM在一些病例中检测到的假阳性切片数量，如图7所示。结果显示了对于不同类型的样例来说，在对应的不应该包含阳性切片的不同主动脉段中，DDAsys和HM检测到的假阳性切片数量的平均值为 F P T ¯ = ( ∑ j N T F P j ) / N T，其中 T表示病例的类型， N T表示用于比较的第 T种类型的病例数， F P j表示算法在第j个样本的升主动脉或降主动脉中检测到的假阳性切片数量。DDAsys在每个主动脉段上检测到的假阳性数量明显低于HM。由于类型Ⅱ样例的数量最少，部分存在大量假阳性切片数量的样例会显著拉高其平均值 F P T ¯。因此，在图7中，无论是HM还是DDAsys，类型Ⅱ的平均假阳性切片数量是最高的。

重要的是，DDAsys在DeBakey分型上识别的F 1分数为0.984，平均分类F 1分数为0.935，并且可以帮助临床医生选择合适的手术方法。为验证本研究系统的诊断建议能力，我们检查了65名测试患者实际应用的手术方式，其中7例进行了升主动脉置换，54例进行了TEVAR手术，4例进行了二者结合的手术。推荐的手术方法与经验丰富的临床医生实际应用的方法之间的平均一致性达到了88.6%。因此，DDAsys不仅可以有效减轻非心脏科医生（如重症监护室的医生）的工作负担，还可以为外科医生提供有价值的治疗建议。此外，DDAsys提供了对平均主动脉直径的高精测量，可以在相同时间内对更多切片进行详细的分析。因此，DDAsys有望帮助外科医生在手术中选择适当的人工血管和涂层支架，从而减少术中循环停顿时间并改善手术结果。

本研究提出的DDAsys系统有望帮助满足临床应用的效率和准确性要求。然而，这项研究有一些局限性。对于对比度较低的影像或内膜瓣位于主动脉边缘的影像，DDAsys可能不够精确，无法完全避免误判。此外，该系统只能根据DeBakey分型提供建议，因此缺乏对破口位置、主动脉根部的状况以及主要分支供血情况的分析。未来的研究应着重提高数据分布的全面性并纳入跨中心分析。

5 总结和展望

本研究提出了一种双功能深度学习系统DDAsys，可帮助识别、分类主动脉夹层，并测量主动脉直径，在切片和患者两个级别上均取得了高准确性。该系统能够识别六种干扰特征，显著减少了误诊的可能性。此外，该系统还为临床医生提供了有关手术方法、人工血管和覆膜支架选择的实际建议，有望缩短心脏手术患者的手术时间。未来的研究方向包括进一步提高对存在靠近主动脉边缘内膜瓣的影像或低对比度影像的诊断准确性。我们还希望实现对主动脉溃疡和壁内血肿的检测，以实现早期预警。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Kamel H, Roman MJ, Pitcher A, Devereux RB. Pregnancy and the risk of aortic dissection or rupture: a cohort-crossover analysis. Circulation 2016;134(7):527‒33. . 10.1161/circulationaha.116.021594
[2]

Zhao J, Zhao J, Pang S, Feng Q. Segmentation of the true lumen of aorta dissection via morphology-constrained stepwise deep mesh regression. IEEE Trans Med Imaging 2022;41(7):1826‒36. . 10.1109/tmi.2022.3150005
[3]

He D, Mao A, Zheng CB, Kan H, Zhang K, Zhang Z, et al. Aortic heterogeneity across segments and under high fat/salt/glucose conditions at the single-cell level. Natl Sci Rev 2020;7(5):881‒96. . 10.1093/nsr/nwaa038
[4]

Nguyen CT, Hall CS, Wickline SA. Characterization of aortic microstructure with ultrasound: implications for mechanisms of aortic function and dissection. IEEE Trans Ultrason Ferroelectr Freq Control 2002;49(11):1561‒71. . 10.1109/tuffc.2002.1049738
[5]

Isselbacher EM, Preventza O, Black III JH, Augoustides JG, Beck AW, Bolen MA, et al. 2022 ACC/AHA guideline for the diagnosis and management of aortic disease: a report of the American heart association/American college of cardiology joint committee on clinical practice guidelines. J Am Coll Cardiol 2022;80(24):e223‒393.
[6]

Cheung WK, Bell R, Nair A, Menezes LJ, Patel R, Wan S, et al. A computationally efficient approach to segmentation of the aorta and coronary arteries using deep learning. IEEE Access 2021;9:108873‒88. . 10.1109/access.2021.3099030
[7]

Brunet J, Pierrat B, Badel P. A parametric study on factors influencing the onset and propagation of aortic dissection using the extended finite element method. IEEE Trans Biomed Eng 2021;68(10):2918‒29. . 10.1109/tbme.2021.3056022
[8]

Nazerian P, Mueller C, Soeiro AM, Leidel BA, Salvadeo SAT, Giachino F, et al. Diagnostic accuracy of the aortic dissection detection risk score plus D-dimer for acute aortic syndromes: the ADvISED prospective multicenter study. Circulation 2018;137(3):250‒8. . 10.1161/circulationaha.117.029457
[9]

Rong G, Mendez A, Assi EB, Zhao B, Sawan M. Artificial intelligence in healthcare: review and prediction case studies. Engineering 2020;6(3):291‒301. . 10.1016/j.eng.2019.08.015
[10]

Pepe A, Li J, Rolf-Pissarczyk M, Gsaxner C, Chen X, Holzapfel GA, et al. Detection, segmentation, simulation and visualization of aortic dissections: a review. Med Image Anal 2020;65:101773. . 10.1016/j.media.2020.101773
[11]

Avila-Montes OC, Kurkure U, Nakazato R, Berman DS, Dey D, Kakadiaris IA. Segmentation of the thoracic aorta in noncontrast cardiac CT images. IEEE J Biomed Health Inform 2013;17(5):936‒49. . 10.1109/jbhi.2013.2269292
[12]

Zhao J, Feng Q. Automatic aortic dissection centerline extraction via morphology-guided CRN tracker. IEEE J Biomed Health Inform 2021;25(9):3473‒85. . 10.1109/jbhi.2021.3068420
[13]

Pepe A, Egger J, Codari M, Willemink MJ, Gsaxner C, Li J, et al. Automated crosssectional view selection in CT angiography of aortic dissections with uncertainty awareness and retrospective clinical annotations. 2021. arXiv:
[14]

Hahn LD, Mistelbauer G, Higashigaito K, Koci M, Willemink MJ, Sailer AM, et al. CT-based true- and false-lumen segmentation in type B aortic dissection using machine learning. Radiol Cardiothorac Imaging 2020;2(3):e190179. . 10.1148/ryct.2020190179
[15]

Vladimir I, Alexey S. TernausNet: U-Net with VGG11 encoder pre-trained on imageNet for image segmentation. 2018. arXiv:
[16]

Chen D, Zhang X, Mei Y, Liao F, Xu H, Li Z, et al. Multi-stage learning for segmentation of aortic dissections using a prior aortic anatomy simplification. Med Image Anal 2021;69:101931. . 10.1016/j.media.2020.101931
[17]

Gayhart M, Arisawa H. Automated detection of healthy and diseased aortae from images obtained by contrast-enhanced CT scan. Comput Math Methods Med 2013;2013:107871. . 10.1155/2013/107871
[18]

Dehghan E, Wang H, Syeda-Mahmood T. Automatic detection of aortic dissection in contrast-enhanced CT. In: Proceedings of the 14th International Symposium on Biomedical Imaging (ISBI); 2017 Apr 18‒21; Melbourne, VIC, Australia. New York City: IEEE; 2017. p. 557‒60. . 10.1109/isbi.2017.7950582
[19]

Xu X, He Z, Niu K, Zhang Y, Tang H. An automatic detection scheme of acute Stanford type A aortic dissection based on DCNNs in CTA images. In: Proceedings of the 4th International Conference on Multimedia Systems and Signal Processing (ICMSSP); 2019 May 10‒12; Guangzhou, China; 2019. p. 16‒20. . 10.1145/3330393.3330405
[20]

Cheng J, Tian S, Yu L, Ma X, Xing Y. A deep learning algorithm using contrast-enhanced computed tomography (CT) images for segmentation and rapid automatic detection of aortic dissection. Biomed Signal Process Control 2020;62:102145. . 10.1016/j.bspc.2020.102145
[21]

Yellapragada MS, Xie Y, Graf B, Richmond D, Krishnan A, Sitek A. Deep learning based detection of acute aortic syndrome in contrast CT images. In: Proceedings of the 17th International Symposium on Biomedical Imaging (ISBI); 2020 Apr 3‒7; CityIowa, IA, USA. New York City: IEEE; 2020. p. 1474‒7. . 10.1109/isbi45749.2020.9098362
[22]

Xiong X, Ding Y, Sun C, Zhang Z, Guan X, Zhang T, et al. A cascaded Multi-task generative framework for detecting aortic dissection on 3D non-contrastenhanced computed tomography. IEEE J Biomed Health Inform 2022;26(10):5177‒88. . 10.1109/jbhi.2022.3190293
[23]

Wörz S, von Tengg-Kobligk H, Henninger V, Rengier F, Schumacher H, Böckler D, et al. 3-D quantification of the aortic arch morphology in 3-D CTA data for endovascular aortic repair. IEEE Trans Biomed Eng 2010;57(10):2359‒68. . 10.1109/tbme.2010.2053539
[24]

Wang J, Zhao J, Ma Y, Huang B, Yuan D, Yang Y. Midterm prognosis of type B aortic dissection with and without dissecting aneurysm of descending thoracic aorta after endovascular repair. Sci Rep 2019;9(1):8870. . 10.1038/s41598-019-45472-w
[25]

Fedorov A, Beichel R, Kalpathy-Cramer J, Finet J, Fillion-Robin JC, Pujol S, et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn Reson Imaging 2012;30(9):1323‒41. . 10.1016/j.mri.2012.05.001
[26]

Yu Y, Acton ST. Speckle reducing anisotropic diffusion. IEEE Trans Image Process 2002;11(11):1260‒70. . 10.1109/tip.2002.804276
[27]

Krissian K, Westin CF, Kikinis R, Vosburgh KG. Oriented speckle reducing anisotropic diffusion. IEEE Trans Image Process 2007;16(5):1412‒24. . 10.1109/tip.2007.891803
[28]

Li J, Yu ZL, Gu Z, Liu H, Li Y. Dilated-Inception Net: multi-scale feature aggregation for cardiac right ventricle segmentation. IEEE Trans Biomed Eng 2019;66(12):3499‒508. . 10.1109/tbme.2019.2906667
[29]

Vesal S, Ravikumar N, Maier A. A 2D dilated residual U-Net for multi-organ segmentation in thoracic CT. 2018. arXiv:10.24926/548719.051
[30]

Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Proceedings of the Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015 Oct 5‒9; Munich, Germany; 2015. p. 234‒41. . 10.1007/978-3-319-24574-4_28
[31]

Dice LR. Measures of the amount of ecologic association between species. Ecology 1945;26(3):297‒302. . 10.2307/1932409
[32]

Golla AK, Bauer DF, Schmidt R, Russ T, Norenberg D, Chung K, et al. Convolutional neural network ensemble segmentation with ratio-based sampling for the arteries and veins in abdominal CT scans. IEEE Trans Biomed Eng 2021;68(5):1518‒26. . 10.1109/tbme.2020.3042640
[33]

Shi F, Yang Q, Guo X, Qureshi TA, Tian Z, Miao H, et al. Intracranial vessel wall segmentation using convolutional neural networks. IEEE Trans Biomed Eng 2019;66(10):2840‒7. . 10.1109/tbme.2019.2896972
[34]

Han K, Liu L, Song Y, Liu Y, Qiu C, Tang Y, et al. An effective semi-supervised approach for liver CT image segmentation. IEEE J Biomed Health Inform 2022;26(8):3999‒4007. . 10.1109/jbhi.2022.3167384
[35]

Bodell BD, Taylor AC, Patel PJ. Thoracic endovascular aortic repair: review of current devices and treatments options. Tech Vasc Interv Radiol 2018;21(3):137‒45. . 10.1053/j.tvir.2018.06.003
[36]

Preetha CJ, Meredig H, Brugnara G, Mahmutoglu MA, Foltyn M, Isensee F, et al. Deep-learning-based synthesis of post-contrast T1-weighted MRI for tumour response assessment in neuro-oncology: a multicentre, retrospective cohort study. Lancet Digit Health 2021;3(12):e784‒94. . 10.1016/s2589-7500(21)00205-3
[37]

Xu X, Jiang X, Ma C, Du P, Li X, Lv S, et al. A deep learning system to screen novel coronavirus disease 2019 pneumonia. Engineering 2020;6(10):1122‒9. . 10.1016/j.eng.2020.04.010
[38]

Zhu H, Cheng C, Yin H, Li X, Zuo P, Ding J, et al. Automatic multilabel electrocardiogram diagnosis of heart rhythm or conduction abnormalities with deep learning: a cohort study. Lancet Digit Health 2020;2(7):e348‒57. . 10.1016/s2589-7500(20)30107-2
[39]

He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR); 2016 Jun 26‒Jul 1; Las Vegas, NV, USA. IEEE; 2016. p. 770‒8. . 10.1109/cvpr.2016.90
[40]

Chin AS, Fleischmann D. State-of-the-art computed tomography angiography of acute aortic syndrome. Semin Ultrasound CT MR 2012;33(3):222‒34. . 10.1053/j.sult.2012.01.003
[41]

Liu S, Wang Y, Yang X, Lei B, Liu L, Li SX, et al. Deep learning in medical ultrasound analysis: a review. Engineering 2019;5(2):261‒75. . 10.1016/j.eng.2018.11.020
AI Summary AI Mindmap
PDF (3057KB)

Supplementary files

Supplementary Material

4576

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉