基於醫學影像目標強化與深度學習演算法在心血管斑塊偵測的應用

Abstract

偵測冠狀動脈斑塊和狹窄的存在是評估心血管疾病(Cardiovascular diseases)風險的常見方法。冠狀動脈電腦斷層血管攝影(CCTA)是心血管疾病最常見的 評估之一。在每位患者的冠狀動脈樹上手動檢測斑塊與狹窄通常需要花費專家大 約 10 分鐘。過去關於全自動或半自動檢測斑塊的演算法需要嚴謹控制區域分割(region based segmentation)算法的參數或機器學習(Machine Learning)算法中特徵提取的設計。最近的相關研究展示了深度學習算法用於斑塊和狹窄檢測的可行 性。在這篇研究中目標為使用 3D 卷積神經網絡 (CNN) 開發檢測斑塊和分類的快 速演算法流程。基於完全的卷積層架構，我們的模型在訓練階段比遞迴神經層(Recurrent Layer)具有更好的穩定性。此外，因為模型僅需要使用橫截面 (CSP) 影像作為輸入，而不包括包含重複信息的其他視圖，因此這個流程是非常有效率 的。對於每位患者，執行整個演算法流程所需的時間平均不到 25 秒。演算法流程 流程的第一步是在給定的冠狀動脈中心線的每個控制點上擷取橫截面影像。接著 將幾個連續數個中心線控制點擷取的橫截面影像堆疊形成一個 3D 影像，並作為 CNN 模型的輸入。CNN 模型將會預測每個中心線控制點的斑塊類型(非鈣化、 混合型或鈣化)。有了這些預測資訊，我們不僅可以檢測斑塊的精確位置，或是總結出任何冠狀動脈段中是否有存在斑塊。此外，我們考慮將血管內徑估計作為斑 塊狹窄程度偵測的初步流程。