深度学习在冠状动脉内光学相干断层成像的研究进展

哈力木拉提·买买提 艾克力亚尔·艾尼瓦尔 凯赛尔江·卡地尔刘鹏飞 秦练 马翔

冠心病是目前全球范围内死亡率最高的疾病之一［1］。随着人口老龄化的趋势中国居民冠心病患者数在持续增加［2］。冠心病的高患病率使其诊断显得尤为重要，如今冠心病的影像学诊断成为了热点，并在过去20年迎来了突飞猛进的发展。其中冠状动脉造影（coronary arteriography，CAG）被视为诊断冠状动脉病变、判断狭窄程度和介入适应证的“金标准”，但仅通过CAG观察容易发生病变信息遗漏从而低估病变。血管内光学相干断层成像（optical coherence tomography，OCT）是近年来发展较快的腔内影像学技术，对预测主要不良心血管事件具有重要意义［3］。但在临床应用中OCT获取的图像需医师亲自判读，此流程不可避免地受到医师的主观性以及医师临床经验的差异性影响。近年来，深度学习在医学影像中扮演着越来越重要的角色，其图像处理和识别的能力在研究中得到了充分认可［4］。尤其在识别斑块特征并对其分类的过程中，深度学习的应用可以更客观地给予结果。本文以OCT、深度学习、OCT与深度学习相结合在冠状动脉管腔分层、病变识别、斑块分类以及经皮冠状动脉介入治疗（percutaneous coronary intervention，PCI）中的研究作一总结。

1 OCT

OCT是一种基于导管的冠状动脉内成像方法，与血管内超声（intravascular ultrasound，IVUS）相比OCT有许多优势，OCT具有10～20 μm的高分辨率，约为IVUS的10倍［5］。OCT采用光学相干成像原理，通过利用近红外光在血管组织的穿透性对管腔内的微米级结构进行探测成像［6］（图1A）。与传统的CAG相比，OCT可通过图像反馈使术者准确鉴别病变的高危特征，例如薄纤维帽、胆固醇晶体、脂质弧等［7］。在OCT图像中可鉴别冠状动脉的内膜、中膜、外膜、外弹力膜和内弹力膜［8］，对血管的分层可以帮助术者准确识别斑块的不同组织特征，包括脂质斑块、钙化斑块和纤维斑块［9］（图1B～D）。同时冠状动脉夹层患者在OCT图像中也有良好的反馈（图1E）。在PCI中OCT也可以及时反馈支架的贴壁情况（图1F）。基于高分辨率和良好的对比度，OCT在介入治疗术前病变性质、病变分析和介入手术后的效果评价方面成为了医师更得力的工具。

图1 光学相干断层成像图像 A.冠状动脉正常管腔；B.脂质斑块；C.钙化斑块；D.纤维斑块；E.冠状动脉夹层；F.经皮冠状动脉介入治疗术后管腔Figure 1 Optical coherence tomography image

2 深度学习概述

深度学习概念起源于人工神经网络的研究，在20世纪70年代被弗伦斯·马顿（Ference Marton）和罗杰·萨尔乔（Roger Saljo）正式提出《国外深度学习研究评析》，掀起了人工神经网络研究的新浪潮。如今深度学习已经成为互联网大数据和人工智能领域的研究热点。深度学习是一类以多层神经网络为特征的机器学习算法，能够自动提取数据特征，来组建分析学习的神经网络，并且进行数据分析。深度学习是通过学习数据的内在规律及获得的目标的信息，在图像和声音等数据的分析中有极大的帮助。深度学习在文本识别、视觉目标识别、目标检测等方面带来了最先进的改进［10］，可以使用多层神经网络来解决问题。深度学习与传统机器学习技术相比，深度学习中一般会有多个隐藏层，首先需要把识别的图像分成多个像素点，每一个像素点都代表一个神经元，把所有的像素排成一排就可以作为第一层神经网络也就是第一个输入层，用于产生第一个隐藏层。一般来说第一个隐藏层用于识别图形的轮廓，然后将第一个隐藏层作为第二个隐藏层的输入层，隐藏层第二层可以得到比第一层更详细的图像和内容，同理最后由多个隐藏层可以识别图像更加详细的图片。在医学领域一般的图片由上万个像素点组成，不可能对单个像素进行手工计算，深度学习的出现让不可能变成了可能。深度学习最终目标是让机器能够像人一样具有分析学习能力。深度学习是一个复杂的机器学习算法，根据是否存在训练数据集，深度学习可大致分为监督学习、无监督学习和半监督学习。在监督学习中，所有的训练图像都有标签，模型通过对图像标签进行优化。在语言和图像识别方面取得的效果，远远超过先前相关技术，使得人工智能相关技术取得了很大进步。通过总结发现在OCT领域卷积神经网络（convolutional neural networks，CNN）和U-NET模型被广泛使用。CNN被用于各种冠状动脉组织的分类，从建立模型到训练模型，CNN都可以有效地进行。U-NET在解码阶段采用逐级上采样的方式恢复至输入图像的尺寸，其网络呈现为“U”型，并将特征图像的求和操作转换为拼接操作，U-NET更加适合于医学图像的分割。如今深度学习在医学影像学中开始普及，在CT、心脏磁共振成像（magnetic resonance imaging，MRI）、单光子发射计算机断层扫描（single photon emission computed tomography，SPECT）、超声心动图中的应用已经被认可［11-13］。同时深度学习已经渗透到生物医学图像分类的各种应用中［14-16］，也充分展现了其在图像识别中的优势。

3 深度学习在OCT 中的冠状动脉管腔分层研究

OCT的高分辨率有助于对冠状动脉的内膜、中膜和外膜进行分类［17］。对冠状动脉的结构分析，首先需要对血管进行分层，同时对斑块的分析也需要勾勒出这些层次。因此冠状动脉内膜、中膜和外膜的分类对分析管腔非常重要。此外，内膜增厚以及中膜消失使分类变得尤为复杂［18］。深度学习可以通过对这些图像进行识别并分层，让分类更加准确。近期一项研究提出一种基于动态规划的轮廓分割方法来定位冠状动脉OCT图像中内膜、中膜和外膜的轮廓，该研究通过提取一条唯一且全局最优的多参数路径来描述图像的二维轮廓线，然后运用深度学习算法对管腔进行分割并得到轮廓来识别健康区域和患病区域［19］。该研究对于不同层面的分割，如内膜-中膜、中膜-外膜和外膜-外膜周围组织等，展示了深度学习都优于人工。在另一项研究中Guha Roy等［20］提出了一种更高效、可靠的用于管腔分割和随机游动图像分割的算法，该算法将问题建模为基于图形的分割方法，并使用OCT中组织-光子相互作用来创建模型，有助于提高模型的准确性。此方法与前者比较拥有较高的分割精度，并证实了该方法能够在存在坏死池的情况下更加准确地分割管腔。Ughi等［21］提出了一种全自动分析支架在冠状动脉中的对位和覆盖的算法，并可以自动检测和分割血管管腔，但由于血液是光学致密组织，血管内的血液降低了分层的精确度，该算法与手动测量之间的一致性通过回归分析和Bland-Altman分析表明，在评估支架贴壁和覆盖情况方面与手动测量达成了一致，具有很高的相关性和一致性。Abdolmanafi等［18］近期开展了一项研究，使用深度学习方法来表征冠状动脉层并识别内膜和中膜边界，比较了3种不同的分类器支持向量机、随机森林（random forest，RF）、CNN的性能，其中RF在此研究分类中是最好的选择，CNN在特征提取中是最好的选择。这些研究同时表明了深度学习在OCT图像冠状动脉的分割中具有良好表现。

4 深度学习在OCT 中的病变识别研究

冠状动脉壁内的动脉粥样硬化斑块沉积会导致动脉狭窄和不良事件发生。识别这些动脉粥样硬化斑块成分对于预测心血管疾病的风险并进行危险分层是至关重要的，管腔的分割提高了管腔健康区域和病变区域识别和诊断准确率。在管腔分割基础上Avital等［22］提出一种深度学习算法，能够自动、准确地识别OCT图像上的冠状动脉钙化。该研究将图片分为像素大小为（400，400，3）的三维张量的RGB颜色的三个层。每一帧创建了一个蒙版来表示钙化区域，该区域由0和1的数字组成，其中1表示有钙化的像素，而0表示没有钙化的像素。并将模型预测结果与人工标注结果进行了比较，通过改进的算法U-NET3+来进行训练及验证， 精确度达99.03%。该研究显示约有90%的情况下，专家认为模型对钙化的预测是正确的，甚至在某些情况下，模型的结果比手动标注更准确。Macedo等［23］提出了一种基于精确分割典型OCT图像并自动检测OCT图像中的分叉病变的方法。该方法分为管腔内检测、特征提取和使用最小二乘方法进行分类，其有助于改进冠状动脉粥样硬化斑块的量化。以上研究表明深度学习的出现以及在临床的应用很大程度提高了病变诊断、识别以及分类效率。

5 深度学习在OCT 中的斑块分类研究

识别高危斑块并进行积极的干预有助于减少未来心血管事件的发生［24］。冠状动脉病变可分为三种不同的斑块，即纤维斑块、钙化斑块和动脉粥样硬化斑块，结合光学后向散射系数和衰减系数的测量可增强这些斑块之间的区别［25］。对这些类型的区分很大程度地影响了患者的治疗及预后。Ughi等［26］提出了一种用于OCT动脉粥样硬化组织的自动化分类的算法，该方法是根据纹理特征结合光学衰减系数的估计值对图像像素进行监督分类。通过将自动分析结果与动脉粥样硬化斑块的手动评估进行比较来获得验证较高的准确率。在另一项研究中Abdolmanafi等［27］提出了一个带有扩张卷积的编解码器的深度学习模型算法，在实验中用于识别任何动脉粥样硬化组织。该研究针对特征重建和动脉粥样硬化组织类型分类，研发了针对血管深层组织特征的自动编码器。该研究提出的动脉粥样硬化组织表征模型与人工相比，能够更准确地识别和表征各种动脉粥样硬化组织类型，减少了主观操作者依赖性，能够快速、准确地分析原始图像，无需进行繁琐的预处理步骤，从而提高了诊断的准确性和一致性。Rico-Jimenez等［28］报道提出使用A线建模方法来表征斑块，首先识别内膜增厚，然后利用线性判别分析将组织层进一步分层为纤维斑块和脂质斑块，这项研究是通过组织学进行评估。然而血液伪影会对该方法的结果产生影响。Shibutani等［29］利用深度学习对OCT图像中的冠状动脉斑块进行语义分割并对动脉粥样硬化斑块类型进行分类。使用训练和验证数据集开发了模型，并使用测试数据集进行了评估。结果显示，测试数据集的平均F分数和并集交点值分别为0.66和0.52。研究还比较了深度学习模型与人工观察者的诊断准确性，深度学习模型的整体一致性率为75%（κ值=0.65），而人工观察者为77%（κ值=0.67）。深度学习模型的受试者工作特征曲线下面积值分别为纤维钙化斑块0.91，病理内膜增厚0.85，纤维帽粥样斑块0.86，愈合的侵蚀破裂0.86，与人工观察者的结果相当。此外，受试者工作特征分析评估了深度学习模型的截面级诊断准确性。在116个OCT图像中，有18个被深度学习模型准确解释但被人工忽略，并评估了组织学诊断与模型结果之间的一致性。不过，该研究也强调了一些局限性，需要在大型前瞻性队列中进一步验证。Di Vito等［30］提出了一种利用组织层特征，对巨噬细胞进行量化的方法。巨噬细胞作为斑块组织中炎症因子的主要来源，在硬化斑块的进展过程中发挥了关键作用，所以其定量对于评估与冠心病相关的风险很重要。该研究对组织学进行了验证，表明巨噬细胞在炎症区域更突出。通过此方法，发现炎性区域的敏感度100%，特异度96.8%。以上研究表明，深度学习在医学图像的分类及数据收集评估都有着一定的优势，为冠状动脉斑块分类提供了更具可靠性的方法。

6 深度学习在OCT 指导下的介入策略

PCI是治疗冠状动脉疾病最有效的方法之一。指南建议介入心脏病学医师首先要正确识别和评估斑块，尽量用IVUS/OCT评价钙化病变［31］。在OCT等血管医学成像中，有效地观察支架在血管中的位置至关重要［32］。OCT能更清晰准确地识别支架小梁，提高了急性支架贴壁不良事件的检出率［33］。在Ilumien Ⅲ随机对照试验［34］中，对于非复杂病变的患者，OCT特异性支架尺寸和优化策略是安全的，并且在PCI术后管腔尺寸方面不低于IVUS和CAG指导。此外，与CAG相比OCT在实现更大的支架扩张方面具有优势。该团队进行的Ilumien Ⅳ试验［35］得出在OCT引导下的PCI可以获得更大的最小支架面积，而IVUS和CAG指导的两种方法在2年内的主要临床终点（包括心原性死亡、靶血管心肌梗死或缺血驱动的靶血管再血管化）方面比较，差异无统计学意义。此外，OCT引导下的PCI在术中并发症和支架内血栓形成方面似乎较血管造影引导下的PCI更少。深度学习与OCT的联合应用降低了判断OCT图像所花费的时间并减少了支架贴壁不良等事件。Jiang等［36］尝试使用YOLOv3和R-FCN两种深度学习的方法进行建模自动检测金属支架支柱。这两种算法的精确度达到了95%以上，并且R-FCN在所有相关指标上的表现都优于YOLOv3，精确度达到99.3%以上。Lu等［37］一项研究应用了OCTivat-Stent的高度自动化软件，用于在OCT中进行支架分析，通过自动化算法确定每个支架的组织覆盖情况，并估计支架轮廓，以便比较支架和血管腔面积。研究表明，使用这种高度自动化软件进行分析可以减少观察者之间的变异性，缩短全面支架分析的时间，使用OCTivat-Stent软件进行支架分析与手动分析相比，具有更高的一致性。在人工使用软件辅助的情况下，覆盖与未覆盖的分类结果显示出明显的改善，具体体现在特异度、敏感度和准确度上，Cohen’s Kappa系数，从（0.47±0.05）提高到（0.77±0.03），这是一个显著的改善，表明使用软件后的一致性较高。开发计算机化的支架分析解决方案对于减少时间和劳动成本，提高支架分析的客观性和可重复性至关重要。

7 问题与展望

深度学习技术在医学领域的应用推动了医疗水平的进步，尤其在OCT方面展现出了优越的性能，与人工相比有以下优势：（1）提高了图像分析的效率；（2）能够更准确地识别和表征各种动脉粥样硬化组织类型，从而提高了诊断的准确性和一致性；（3）人工智能在提高一致性、效率和减少变异性方面具有明显优势，与人工相比具有更多的潜力和优势。作为一项冠状动脉的辅助检查技术，深度学习在冠心病的诊断和治疗中具有重要意义。然而，尽管深度学习在临床应用中前景广阔，但也存在一些不足之处。（1）深度学习技术的透明性无法保证，可能导致不可避免的误诊，从而引发医疗事故责任的问题，这成为深度学习进展的一大障碍；（2）深度学习在冠状动脉OCT中的结果无法及时提供给医师进行下一步操作，这对临床实践带来一定的限制。为了克服这些问题，可以通过采用新的技术手段来提高深度学习的透明性，例如应用解释性人工智能（Explainable AI），使医师能够理解和解释深度学习的决策过程。此外，与软件的连接可以实现深度学习结果的实时反馈，帮助医师进行决策和操作。另外，应用5G技术可以实现远程OCT解读，为更多冠心病患者提供帮助。总之，尽管深度学习在临床应用中存在一些挑战和不足，但相信深度学习具有巨大的发展潜力，并将在未来冠心病的诊断和治疗中为人类带来福音。

利益冲突 所有作者均声明不存在利益冲突