頭頸部CTA 聯(lián)合人工智能對缺血性腦卒中患者的圖像質(zhì)量研究

彭新壹，余佳強，劉玉凱，張 健，余 東

隨著人口老齡化， 腦卒中患者呈逐年上升趨勢。其中急性缺血性腦卒中約占全部卒中患者69.6%～70.8%， 是威脅中老年人群生命健康的常見疾病之一[1]。 頭頸部計算機體層血管成像（computed tomography angiography，CTA）是評價腦卒中患者腦血管情況的重要手段，它有著快捷、安全、無創(chuàng)等優(yōu)點，可以精確觀察病變血管狹窄的程度，評估側(cè)支循環(huán)，還能對斑塊性質(zhì)進行評估，并使用多樣化的圖像后處理技術(shù)為患者動靜脈溶栓及介入取栓治療提供較大幫助，可明顯改善患者預(yù)后，降低致死致殘率[2~4]。 然而頭頸部CTA 圖像后處理， 需要放射科醫(yī)生或技師花費大量的時間及精力進行，極易造成患者治療延誤。 因此需要一個數(shù)字化、智能化、快速、準(zhǔn)確的軟件來解決這個問題，為患者爭取更快的治療時間。近年來，人工智能（artificial intelligence，AI）廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，特別是“深度學(xué)習(xí)”及“圖像分割”，主要通過對經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型算法的改進可以在醫(yī)學(xué)影像圖像上對一些復(fù)雜的解剖結(jié)構(gòu)達到很好的分割效果[5，6]。筆者旨在對比人工手動處理和AI 軟件的圖像質(zhì)量及時效性，為臨床研究提供參考。

1 資料與方法

1.1 臨床資料

選擇2021 年6 月至2022 年6 月在樂山市人民醫(yī)院“腦卒中”綠色通道收治的60 例患者，其中男性38 例，女性22 例；年齡46 ～92 歲，平均年齡68.26 歲（標(biāo)準(zhǔn)差5.25 歲）；單側(cè)肢體無力19 例（31.67%），口角歪斜14 例（23.33 %），語言不清13 例（21.67 %），昏迷8 例（13.33%），肢體運動不協(xié)調(diào)6 例（10.00%）。所有患者原始圖像質(zhì)量均達到診斷標(biāo)準(zhǔn)。排除由于自身原因或設(shè)備因素導(dǎo)致原始圖像質(zhì)量差的患者?；颊呋蚱浼覍倬炇餋TA 檢查知情同意書， 并通過醫(yī)院倫理委員會審核。

1.2 方法

1.2.1 CT 檢查

采用荷蘭飛利浦64 排128 層 （Philips 64 Brilliance）螺旋CT 機。 患者選取仰臥位，右側(cè)肘靜脈穿刺放置18 號耐高壓留置針， 掃描范圍由主動脈弓層面掃至顱頂。 掃描參數(shù)：管電壓120 kV，自動mAs，層厚1 mm，層間距1 mm，螺距0.798，球管轉(zhuǎn)速0.5 s，準(zhǔn)直器為64 × 0.625，采用Santander 算法重建。 經(jīng)右肘靜脈使用高壓注射器注入碘對比劑碘美普爾（400 mg/mL），流速5 ～6 mL/s，隨后以同等速率注入0.9%氯化鈉溶液（生理鹽水）30 ～40 mL，監(jiān)測點置于主動脈弓層面，采用團注追蹤法，閾值設(shè)為100 HU。圖像分別傳輸至星云工作站及AI 處理軟件（數(shù)坤科技，中國）。

1.2.2圖像后處理

將原始圖像傳輸至星云工作站，采用頭頸部CTA專用后處理軟件， 由兩名高年資醫(yī)師分別應(yīng)用AI 重建和手動重建對患者圖像進行后處理（按照腦卒中綠色通道流程20 min 內(nèi)需出具圖像及報告，兩組后處理結(jié)果由兩名副主任醫(yī)師進行評判，選取質(zhì)量優(yōu)秀的數(shù)據(jù)入組）。處理流程為：加載圖像→選擇軟件→頭頸部血管識別及去骨→血管命名→清除殘留及修正血管→容積再現(xiàn)（volume rendering，VR）圖像保存→最大密度投影（maximum intensity projection，MIP）圖像保存→曲面重建（curved plannar reconstruction，CPR）圖像保存→膠片打印→傳輸影像歸檔與通信系統(tǒng)（picture archiving and communication system，PACS）。

1.2.3 觀察指標(biāo)與評價標(biāo)準(zhǔn)

（1）VR 評分標(biāo)準(zhǔn)。3 分：血管勾畫良好，正常血管無中斷，血管側(cè)支循環(huán)顯示良好，血管圖像清晰，病變血管顯示良好，無識別錯誤血管。2 分：正常血管部分中斷，血管側(cè)支循環(huán)顯示良好，殘留較少。 1 分：全血管中斷，側(cè)支循環(huán)顯示不良和較多殘留，血管識別錯誤。

（2）MIP 評分標(biāo)準(zhǔn)。 3 分：無分割誤差和良好的血管壁呈現(xiàn)。 2 分：中度骨殘流但不影響觀察血管壁鈣化。 1 分：嚴(yán)重骨殘流，影響血管觀察。

（3）CPR 評分標(biāo)準(zhǔn)。3 分：良好的血管繪制沒有中斷，識別血管正確，沒有遺漏。2 分：正常血管勾畫，部分中斷，識別血管正確，無遺漏。 1 分：整個血管中斷顯示不佳，識別錯誤血管[7]。

（4）圖像后處理時效，比較AI 處理和手動處理圖像的時效。

1.3 統(tǒng)計學(xué)方法

采用軟件SPSS 26.0 對數(shù)據(jù)進行統(tǒng)計分析。 計數(shù)資料以例數(shù)（%）表示，組間比較采用卡方檢驗（Fisher精確卡方檢驗）。 計量資料以均數(shù)± 標(biāo)準(zhǔn)差表示，組間比較應(yīng)用配對t 檢驗。 P<0.05 為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 圖像后處理評價

由兩名主治醫(yī)師對圖像進行主觀評分（圖1）。AI重組VR 圖像3 分為45 例 （75.0 %），2 分為14 例（23.3%），1 分為1 例（1.7%）。 手動VR 圖像3 分為48 例 （80.0%），2 分為12 例 （20.0%），1 分為0 例（0.0%）。 兩種方法VR 圖像比較，差異無統(tǒng)計學(xué)意義（χ2=1.251，P=0.535）。

圖1 AI 和手動處理的頭頸部CTA 圖像Fig.1 CTA images of AI and manually processed cranio-cervical

AI 重組MIP 圖像3 分為46 例（76.7%），2 分為14 例（23.3%），1 分為0 例（0.0%）。 手動3 分為49例（81.7%），2 分為11 例（18.3%），1 分為0 例（0.0%）。兩種方法MIP 圖像比較， 差異無統(tǒng)計學(xué)意義 （χ2=0.455，P=0.500）。

AI 重組CPR 圖像3 分為55 例（91.7%），2 分為5例（8.3 %），1 分為0 例（0.0 %）。手動3 分為57 例（95.0 %），2 分為3 例（5.0%），1 分為0 例（0.0%）。 兩種方法CPR圖像比較，差異無統(tǒng)計學(xué)意義（χ2=0.134，P=0.714）。

2.2 圖像后處理的時效對比

AI 在接收到原始圖像后，通過自動分割、計算的過程所需要的時間為（2.33 ±0.15）min；高年資醫(yī)師手動處理圖像的時間為（12.33±2.30）min；AI 的處理時間明顯低于手動處理時間（t=33.607，P<0.001）。采用AI 方式節(jié)省約10 min，評價時間增益率為83.3%。

3 討論

近年來，隨著人們健康知識的提高和各衛(wèi)生行政管理部門的重視，全國各級醫(yī)療單位構(gòu)建了腦卒中中心，并建立綠色通道，讓患者可以更快速地接受治療，大大減少了致殘、致死率。頭頸CTA 可以快速、無創(chuàng)、安全判斷患者頭頸部血管的梗塞情況，為介入治療提供有價值的信息，在腦卒中患者檢查方案中起著舉足輕重的作用[8]。 隨著計算機硬件及軟件技術(shù)的不斷提高，AI 作為近年較為新穎的技術(shù)逐漸應(yīng)用于醫(yī)學(xué)影像學(xué)檢查， 并涉及CT、X 射線、MRI 等多種醫(yī)學(xué)影像類學(xué)科。 CTA 專門后處理軟件基于AI 技術(shù)，采用基于3D ResU-net 的深度神經(jīng)網(wǎng)絡(luò)對頭頸部血管進行分割提取。 經(jīng)過該網(wǎng)絡(luò)的預(yù)測，軟件可以精確分割出頭頸部的動脈血管，在血管分割的基礎(chǔ)之上，通過基于3D 圖像的骨架化算法對血管的中心線進行提取，并利用解剖結(jié)構(gòu)特征進行血管的分段命名，在此基礎(chǔ)之上，對血管的提取結(jié)果在血管區(qū)域利用原始CT 值進行VR 成像和MIP 成像；同時利用原始圖像和中心線，通過曲面投影法，可以自動得到CPR 圖像[3，9，10]。目前已有大量研究證明，應(yīng)用對CT 圖像進行分類及篩選的輔助診斷軟件可為臨床提供有價值的參考信息[5，11]。

AI 對頭頸部CTA 的后處理是通過對經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，在CT 圖像上對一些復(fù)雜的結(jié)構(gòu)進行精確的分割提取[12]。 該深度神經(jīng)網(wǎng)絡(luò)基于3D ResUnet 結(jié)構(gòu)。 在利用了大量的人工標(biāo)注結(jié)果訓(xùn)練出該網(wǎng)絡(luò)模型后，該模型在系統(tǒng)中可以對原始圖像進行預(yù)測計算，得到所需要的血管結(jié)果[13]。 其中VR 圖像主要是反映血管空間解剖結(jié)構(gòu)及觀察頸動脈、顱內(nèi)動脈及其側(cè)支循環(huán)的情況并尋找到堵塞管或可疑病變，為需要接受介入治療的患者選取手術(shù)路徑。MIP 算法對鈣化和血管可產(chǎn)生較大的對比度，可以很好地顯示血管壁鈣化斑塊。

筆者研究結(jié)果顯示，AI 后處理對比人工后處理圖像質(zhì)量差異無統(tǒng)計學(xué)意義，60 例患者中可見VR圖像評價3 分圖像為AI/手動，分別為75.0%、80.0%；MIP 圖像評價3 分圖像為AI/手動， 分別為76.7%、81.7%；CPR 評價3 分圖像為AI/手動，分別為91.7%、95.0%。 AI 處理它不僅節(jié)約了醫(yī)療資源，也大大提高了時效性，還可降低醫(yī)生的主觀偏差。 時效性對比可見，手動處理時間為（12.33 ±2.3）min，而AI 時間僅為（2.33±0.15）min，與手動處理比較，AI 處理可以更快地讓醫(yī)生判斷是否進行介入治療，為患者爭取更多的時間。 梁奕等[14]研究發(fā)現(xiàn)，AI 重建的圖像具有較低的噪聲，較高的信噪比和圖像質(zhì)量評分，且重建速度快，圖像質(zhì)量滿足診斷要求，筆者研究結(jié)果與此一致，但該研究并未對各種后處理的圖像進行量化對比分析。AI 處理也存在不足之處，特別是對某些血管與組織CT 值相近且關(guān)系較鄰近時，VR 會存在去骨不完整，造成血管壁上出現(xiàn)高密度組織的情況，這表明AI 對模型訓(xùn)練程度還不夠高， 后期需要進一步增大AI 學(xué)習(xí)數(shù)據(jù)庫， 并進行多中心的不同設(shè)備及醫(yī)師的驗證。

筆者研究雖然AI 相較于手動圖像質(zhì)量相當(dāng)，且AI 后處理圖像時效性更好。 但學(xué)習(xí)和驗證的數(shù)據(jù)量還不夠大，缺乏多中心數(shù)據(jù)驗證，缺乏一定的前瞻性和對系統(tǒng)進行更深度的學(xué)習(xí)和驗證，以評估對臨床的應(yīng)用價值。