人工智能在數(shù)字減影血管造影成像的研究進展

錢 山，楊明雷，黃 峰

數(shù)字減影血管造影（digital subtraction angiography，DSA）是傳統(tǒng)血管造影與電子計算機結合的影像技術，尤其在臨床心腦血管疾病的診斷和介入治療中具有重要價值[1]。但DSA圖像質(zhì)量容易受噪聲、運動偽影及輻射劑量的影響[2]。人工智能（artificial intelligence，AI）是基于計算機模擬人類思維的一門學科，可通過回顧學習高質(zhì)量、大樣本DSA數(shù)據(jù)解決上述問題，全面提升圖像質(zhì)量[3，4]。

醫(yī)學影像結合AI的概念，早在20世紀60年代即被提出[5，6]。目前，AI已在CT、MRI、超聲心動圖等多種圖像領域取得了大量的研究成果，證明了AI在醫(yī)學成像及圖像處理領域的有效性和應用潛力[7，8]。但是，AI在DSA領域的研究進展緩慢。分析其發(fā)展緩慢的主要原因在于兩個方面：一方面，大多數(shù)用于實時手術導航的DSA圖像存檔數(shù)量相對較少，遠不足以支撐DSA深度學習智能應用的開發(fā)；另一方面，DSA圖像通常具有較大的變異性，例如DSA圖像中常出現(xiàn)多種手術工具，這會加劇圖像增強和標注的難度[9]。此外，隨著介入手術復雜程度的增加，介入治療時間相應延長，很可能導致患者和介入醫(yī)師暴露于更高的輻射劑量水平[10]。高劑量成像雖然會提高成像質(zhì)量，但也會增加醫(yī)生和患者的電離輻射損傷；而低劑量成像會增大圖像噪聲、降低成像質(zhì)量，影響疾病的診療[11]。當介入醫(yī)師對患者進行放射檢查和治療時，應當權衡利弊，這無疑增大了醫(yī)生的思想負擔和工作壓力[12]。因此，利用AI解決上述問題成為臨床研究的重點。

筆者主要從DSA前端成像優(yōu)化和輔助顱內(nèi)動脈瘤治療兩個方面介紹AI技術在DSA圖像領域的研究進展，并對當前DSA成像和AI結合可能遇到的問題及未來潛在的發(fā)展方向進行了分析。

1 人工智能在DSA圖像優(yōu)化的應用

縱觀DSA成像的發(fā)展歷程，提升圖像質(zhì)量、降低輻射劑量一直是臨床研究的熱點[1]。下面主要介紹了在心腦血管DSA前端成像階段，AI在降低圖像噪聲和去除運動偽影方面的進展。

1.1 心血管DSA降低圖像噪聲的研究

過去20年，包括三維塊匹配濾波（block-matching and three dimensional filtering，BM3D）[13]、學習同時稀疏編碼（learned simultaneous sparse coding，LSSC）[14]、非局部中心化稀疏表示（nonlocally centralized sparse representation，NCSR）[15]等在內(nèi)的多種降噪算法被提出。雖然這些算法具備一定的降噪效果，但降噪時間較長[16]。近年來，隨著密集網(wǎng)絡學習（dense networks learning）、殘差學習（residual learning）、批處理歸一化（batch normalization）等模塊的出現(xiàn)，深度學習在降低醫(yī)學圖像噪聲方面展現(xiàn)出巨大的潛力[11]。Zhang K等[17]通過加深網(wǎng)絡結構、學習算法及正則化等策略，提出了一種全新的降噪卷積神經(jīng)網(wǎng)絡（denoising convolutional neural networks，DnCNNs），該網(wǎng)絡能夠降低多種常見的圖像噪聲，如高斯噪聲、單圖像超分辨率圖像噪聲。大量實驗表明，DnCNNs在一般圖像去噪任務中表現(xiàn)良好，并奠定了降低圖像噪聲的基礎。Luo Y等[18]研發(fā)了一種包含多個超密集模塊（ultra-dense blocks，UDBs）的超密集降噪網(wǎng)絡（ultra-dense denoising network，UDDN），用于降低心血管透視圖像噪聲。該網(wǎng)絡每個UDBs具有相同的卷積層，模塊之間參數(shù)共享，以節(jié)省內(nèi)存、加快運算速度；通過各個殘差塊內(nèi)多路徑神經(jīng)單元之間的相關性，可提升信息交互和局部特征提取效率，更好地搜索低劑量透視圖像與全劑量金標準圖像之間的映射關系。在模擬和臨床數(shù)據(jù)集上的試驗結果顯示，與DnCNNs相比，UDDN具有更高的峰值信噪比（peak signal to noise ratio，PSNR）和信噪比（signal-noise ratio，SNR），降低圖像噪聲效果更佳。

為了實現(xiàn)高質(zhì)量成像，降噪網(wǎng)絡的損失函數(shù)也有所創(chuàng)新。Wu C等[11]通過將DenseNet集成到DnCNNs中，提出了一種全新的降噪網(wǎng)絡Dense DnCNNs，支持低輻射劑量、高質(zhì)量DSA成像。該網(wǎng)絡保留了全部卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）級別的圖像特征，可避免降噪過程中梯度消失；網(wǎng)絡損失函數(shù)在L2損失函數(shù)（2范數(shù)）的基礎上添加了感知損失，提升降噪性能的同時，有效防止過度平滑，保持圖像邊緣清晰。研究人員利用臨床數(shù)據(jù)對比評估了DnCNNs與Dense DnCNNs的降噪效果。結果表明，Dense DnCNNs的PSNR平均為46.32 dB，高于DnCNNs（45.46 dB）；同時在視覺評估中，結合感知損失的Dense DnCNNs在防止過度平滑的前提下，能夠保留更多的圖像細節(jié)信息。目前，多數(shù)研究主要是對二維（two-dimensional，2D）圖像逐幀降噪，而圖像相鄰幀之間時間噪聲的去除仍是一個具有挑戰(zhàn)性的問題。為了同時降低時間噪聲和空間噪聲，Wu C等[16]在Dense DnCNNs的基礎上提出了多通道降噪卷積神經(jīng)網(wǎng)絡（multi-channel denoising convolutional neural network，MCDnCNN）。該網(wǎng)絡基于DenseNet和DnCNNs構建，圖像序列采用了改進的多通道輸入層，不僅能夠從每幀輸入中進行空間域的深度學習，而且還能夠充分利用相鄰幀之間的時間相關信息進行時域?qū)W習，以最大限度地提高降噪效率[16]；同時，研發(fā)人員在L2損失和感知損失的基礎上，還引入了差分均方誤差（difference mean square error，Diff-MSE）附加項，用于計算時間噪聲導致的網(wǎng)絡性能的統(tǒng)計方差，提高網(wǎng)絡的魯棒性?；谡鎸嵟R床數(shù)據(jù)評估MCDnCNN降噪性能的試驗證明，結合L2損失、感知損失和Diff-MSE損失的MCDnCNN具有卓越的時空降噪能力，圖像質(zhì)量顯著提升。

1.2 腦血管DSA圖像運動偽影去除研究

保證DSA圖像質(zhì)量的前提是掩模像（注射造影劑前掃描）與填充像（注射造影劑后掃描）的精確配準。通常圖像配準不良主要由被檢者的身體移動、腸內(nèi)氣體運動和心臟搏動等運動位移導致。不精確的圖像配準會導致造影前后2幅圖像骨骼、軟組織等結構空間位置的不一致，直接導致減影圖像中的運動偽影，進而降低圖像質(zhì)量。因此避免上述運動偽影的產(chǎn)生是提高DSA圖像質(zhì)量的關鍵。

為此，Montoya JC等[19]基于AI提出了一種全新的圖像后處理技術，即三維血管造影術（three-dimensional angiography，3DA）?；?05例經(jīng)過臨床系統(tǒng)和標準注射方案得到的三維（three-dimensional，3D）旋轉(zhuǎn)血管造影圖像，對設計的后處理CNN進行訓練（35例）和驗證（8例）；然后輸入測試組（62例）數(shù)據(jù)，訓練過的CNN自動將輸入圖像的每個體素分為血管、骨骼和軟組織3類組織成分；最終基于測試組被分為血管組織的體素，生成3DA圖像。為了量化訓練模型的泛化誤差，研究人員通過計算后處理CNN分類的準確度、靈敏度、精確度和Dice相似系數(shù)，定量評估了3DA圖像和3D DSA圖像的移動偽影。評估結果表明，3DA是一種可靠的成像方法，可以精確地重建小血管、穿孔器等結構，且3DA圖像與3D DSA圖像之間具有良好的一致性。相比于常規(guī)需經(jīng)2次旋轉(zhuǎn)掃描的血管造影，3DA無需掩膜圖像，可基于1次旋轉(zhuǎn)掃描的填充像自動生成高質(zhì)量的3DA圖像，在不丟失診斷信息的前提下，顯著降低圖像掃描過程的輻射劑量；同時，由于3DA無需精確配準掩膜像和填充像，圖像配準誤差、交叉掃描等對造影圖像無影響。因此3DA避免了由于2次旋轉(zhuǎn)掃描的時間差導致的運動偽影，進一步提升DSA圖像質(zhì)量，為臨床診療工作流的改善提供了參考[20]。類似的思路，Gao Y等[21]基于深度學習技術，提出了一種殘差密集網(wǎng)絡（residual dense network，RDBN）。該網(wǎng)絡無需掩膜圖像，僅基于造影后的血管填充圖像，利用殘差密集塊（residual density block，RDB）的密集相連層提取高級圖像特征，自動生成3DA圖像。研究人員采用PSNR、結構相似性（structural similarity，SSIM）和特征相似度（feature similarity，F(xiàn)SIM）3種指標，在包含人體頭部和腿部的臨床DSA數(shù)據(jù)集上開展的評估試驗表明，頭部數(shù)據(jù)可達23.731、0.877和0.894 6，腿部數(shù)據(jù)可達26.555、0.870和0.928 4。這說明，該方法能夠基于實時血管填充圖像精確提取人體血管特征，有效避免了由于前后2次旋轉(zhuǎn)掃描期間患者運動可能導致的運動偽影，提高臨床醫(yī)生的診療效率，同時避免了采集掩膜圖像期間患者和醫(yī)生受到的X射線輻射。

2 人工智能輔助顱內(nèi)動脈瘤診療

鑒別顱內(nèi)動脈瘤的穩(wěn)定性是決定臨床治療策略的關鍵，尤其是微小動脈瘤[22]。顱內(nèi)血管3D DSA對于顱內(nèi)動脈瘤破裂概率的評估、危險動脈瘤的鑒別至關重要[23]?；诖罅匡B內(nèi)血管DSA圖像訓練的AI模型，能夠有效解決醫(yī)生肉眼長時間看片漏診、耗時長等問題，輔助預測微小動脈瘤破裂的風險[24]。Kim H等[25]采用3D DSA自動識別動脈瘤，并構建模型預測微小動脈瘤破裂的風險。該研究共納入368例微小動脈瘤患者，掃描含動脈瘤血管6個方向（前、后、左、右、上、下）的3D DSA圖像，由神經(jīng)放射學專家提取感興趣區(qū)域。預測網(wǎng)絡基于Alexnet_v2架構，包含3個最大池化層、2個drop-out層、3個全連接層和5個卷積層。研究人員基于272例患者數(shù)據(jù)進行了前瞻性測試，并將靈敏度、特異度、總體準確度和受試者工作特性 （receiver operating characteristics，ROC）曲線與醫(yī)生的評估結果進行比較。驗證結果顯示，該網(wǎng)絡預測動脈瘤破裂的靈敏度為78.76%，特異度為72.15%，總體診斷準確度為76.84%，ROC曲線下面積（area under curve，AUC）為0.755，顯著優(yōu)于醫(yī)生的評估結果（AUC為0.537；P<0.001）。這說明，深度學習預測模型在評估微小動脈瘤破裂風險方面是可靠的，有助于臨床工作中疾病的早期干預治療。

在實際臨床診療過程中，顱內(nèi)動脈瘤破裂的影響因素眾多[26，27]，其中動脈瘤的尺寸大小通常被列為動脈瘤危險分層中最重要的決定因素，醫(yī)生普遍認為尺寸較大的動脈瘤更危險[28]。但也有研究表明，18%破裂動脈瘤直徑＜4 mm，38%破裂動脈瘤直徑＜7 mm。因此無論大小，形狀不規(guī)則才是動脈瘤破裂最主要的決定因素[29]。為此，Liu Q等[22]基于微小動脈瘤患者的DSA圖像，自動提取動脈瘤的放射組學衍生形態(tài)學特征，結合臨床信息構建深度學習模型，以探索顱內(nèi)動脈瘤破裂的決定性因素。該研究以回顧性分析病例中入組動脈瘤的穩(wěn)定性和臨床特征為金標準，分析不同臨床變量和形態(tài)學特征對動脈瘤穩(wěn)定性的影響。結果發(fā)現(xiàn)，平坦度是最重要的形態(tài)學特征；基于放射組學衍生形態(tài)特征訓練的深度學習模型可用來預測動脈瘤的穩(wěn)定性，從而指導臨床危險分層。這說明，綜合分析動脈瘤尺寸及形態(tài)學特征，可提升臨床診斷中微型動脈瘤的危險分層劃分準確度。但AI在顱內(nèi)動脈瘤輔助診療領域的研究還處于初級的預測破裂與否階段，且都是在小規(guī)模樣本上進行的，不足以進一步探索更深層的模型，也不足以支撐其應用于臨床實踐，仍需進一步的探索。

3 總結與展望

筆者主要從DSA成像優(yōu)化和輔助顱內(nèi)動脈瘤診療兩個方面介紹了當前AI在心腦血管DSA成像的研究進展?？梢园l(fā)現(xiàn)，目前AI在心腦血管DSA成像階段的應用集中于降低圖像噪聲、降低輻射劑量及去除運動偽影等方面。顯然，AI的加入在促進新一代血管成像機發(fā)展的同時，全面提高了臨床疾病診療的準確度、均質(zhì)性和效率，有望從根本上改變現(xiàn)有的醫(yī)療模式。但是相比于CT、MRI等影像，目前DSA成像結合AI的應用場景比較單一，且在一些已經(jīng)結合AI的疾病輔助診療領域（如顱內(nèi)動脈瘤）尚處于初級階段，因此相關研究有待進一步開展。未來幾年，AI將會越來越多地應用于DSA前端成像優(yōu)化及后端圖像分析，加速臨床中心腦血管疾病的自動化診療進程。值得注意的是，DSA成像速度的提高、圖像畸變的校正等方面的研究直接關系到成像質(zhì)量，相關的研究成果卻不多，是未來應該努力的方向。

雖然基于深度學習的疾病診療模型能夠顯著提高診斷效率，但極大地依賴于訓練數(shù)據(jù)的質(zhì)量、數(shù)量和多樣性。近年來，公開的醫(yī)療影像數(shù)據(jù)庫數(shù)量越來越多，這是一個很大的進步。但是這還不夠，仍有必要進一步完善健康數(shù)據(jù)共享機制，或通過戰(zhàn)略合作關系，或通過國家政策扶持，創(chuàng)建大型、高質(zhì)量、精標記的醫(yī)學圖像數(shù)據(jù)庫，以訓練能夠落地的高性能、本土化模型。其次，還應在病灶區(qū)域分割、病變識別的基礎上，進一步開發(fā)支持同時處理多任務的輔助診療AI產(chǎn)品，打破當前只能執(zhí)行單一疾病、單一任務的局面，早日覆蓋臨床診療的全流程。此外，在加大對放射學醫(yī)生、技師等進行必要的AI培訓力度的同時，有必要進一步探究AI和醫(yī)生在實際臨床疾病診療流程中的優(yōu)勢和劣勢，通過設置獎懲機制進行反饋控制和策略互調(diào)，實現(xiàn)人與AI優(yōu)勢互補和智能交互，使AI真正成為醫(yī)生的得力助手。