深度学习分割和重建在慢性冠状动脉完全闭塞CT中的应用

深度学习分割和重建在慢性冠状动脉完全闭塞CT中的应用

冠脉慢性完全闭塞(CTO，Coronary chronic total occlusion)常见于怀疑有阻塞性冠状动脉疾病症状的患者。冠状动脉CT血管成像(CCTA，Coronary CT angiography)是一种公认的非侵入性成像方法，用于准确诊断冠状动脉狭窄和阻塞。然而，因为非混浊的闭塞节段通常不能用商用的后处理软件自动识别，CCTA图像上的CTO重建需要诊断医生进行耗时的手动重建。随着深度学习的发展，并在其他领域血管重建上取得了成功，此研究希望建立一个自动CTO重建的深度学习模型，并与传统的人工定量相比，评估其临床应用效果。

本实验，使用了来自三家三级医院患有CTO的患者图像，通过排除标准(图1)筛选后所有患者按大约3：1的比例随机分为训练集（6066例）和内部验证集(1962例)。并使用来自其他两家三级医院的（211例）患者CCTA数据作为外部验证集。

深度学习框架，由三个模型组成（图2）：首先提供解剖背景并定义后续冠状动脉分割的搜索范围的心腔分割网络；接着导入用于冠状动脉分割的U-net网络，其使用特定的中心线损失函数进行训练以保持管状结构的拓扑和连通性；最后由血管跟踪网络，用于弥合分割中因成像伪影或疾病(例如CTO)而出现的间隙和中断。之后与商用图像工作站进行对比进行性能评估。最后，将深度学习分割与人工分割（初级、高级放射科医生各一位）结果导入J-CTO评分（一种半定量介入治疗评分，详见名词解释1）进行对比，检测深度学习模型在介入治疗中的应用价值。

实验结果表明，利用深度学习模型95%的病变(240例病变中的228例)成功地实现了CTO的自动分割和重建，且无需手动编辑(图3)。在12例需要手动调整的病变中，11例病变在放射科医生手动生长血管后可以进行进一步的量化分析，而1例病变因为图像质量原因无法分割(图3S)。

相比之下，商用工作站在没有人工干预的情况下仅48%(240例病变中的116例)的病变中成功重建了闭塞，深度学习模型的后处理测量时间比传统手工重建处理和测量时间短(初级放射科医师121秒比456秒，高级放射科医师106秒比348秒)。

深度模型在最大强度投影图上显示侧支分割的成功率高于商用工作站(45%[240例中的107例]比28%[240例中68例])。左前降支、左回旋支和右冠状动脉的定位成功率分别为96%(75例中的72例)、91%(69例中的63例)和97%(87例中的84例)。

深度学习模型和手工重建的J-CTO评分均为优，95%总体置信区间分别为0.95、0.99(图4)。对于行介入治疗的患者，进行受试者操作特征曲线分析，初级放射科医师对比组(图5A)分别为0.74和0.73，高级放射科医师对比组(图5B)分别为0.76和0.76。

综上，本实验有力地证明了在CTO评估中使用深度学习模型，特别是在复杂的CTO病变的情况下，可以促进临床实践中的工作流程。与传统的人工重建相比，目前开发的深度学习模型能够显著减少冠状动脉CT血管成像中慢性完全闭塞(CTO)量化的后处理的时间。