论文部分内容阅读
第一部分基于冠状动脉CTA诊断病变特异性心肌缺血的影像组学和机器学习研究[目的]以有创性冠状动脉血流储备分数(Fractional flow reserve,FFR)为标准,基于冠状动脉 CTA(Coronary computed tomography angiography,CCTA)诊断病变特异性心肌缺血的价值有限。影像组学方法可以从图像中高通量地提取特征,以辅助临床医生进行疾病的诊断。本文旨在建立并评估影像组学联合机器学习的模型,基于CCTA图像上左心室心肌特征,以有创FFR为参考标准,评价该模型对病变特异性心肌缺血的诊断效能,并与CCTA及有创性冠状动脉造影(Invasie coronary angiography,ICA)所判定的心肌缺血结果相比较。[材料和方法]本研究纳入来自中国多中心CT-FFR研究-1中的283例疑似或者确诊为冠心病患者的CCTA以及3个月以内行ICA和有创FFR检查数据。根据患者有创FFR的结果,将患者分为两组:病变特异性心肌缺血组(FFR≤0.80)与非病变特异性心肌缺血组(FFR>0.80)。手动勾画出患者CCTA图像上左心室心肌(Left ventricularmyocardium,LVM)作为影像组学提取特征的感兴趣区。随机选取80%患者的CCTA图像用于训练,20%的患者用于验证。在训练组中,使用pyradiomics软件提取上述两组患者LVM的影像组学特征。使用全连接等级聚类法将与病变特异性心肌缺血组和非病变特异性心肌缺血组的特征进行分组。使用一致性指数(Concordance index)分析等级聚类下的影像组学特征预测心肌缺血的效能,进而筛选特征。将不同相关阈值对应的LVM组学特征输入到支持向量机(Supportvectormachine,SVM)进行训练与测试,以评估模型表现。使用相关矩阵方法去除不同相关阈值下冗余的影像组学特征。分别记录CCTA与ICA图像上患者水平的最重的冠状动脉的狭窄。当图像上冠状动脉四根主支(左主干、左前降支、左回旋支与右冠状动脉)任意一根血管病变直径狭窄程度≥50%,认为该狭窄具有血流动力学意义。以有创FFR为参考标准,计算在患者水平上述方法对心肌缺血诊断的差异。[结果]本研究总共纳入中国8个中心的283例患者,其中FFR≤0.8的有115人。在训练组中,以有创FFR为标准,CCTA≥50%、ICA≥50%以及影像组学联合机器学习方法为标准判定心肌缺血的准确性分别为64.91%(95%CI:58.37%-71.10%)、63.60%(95%CI:56.99%-69.85%)和 92.98%(95%CI:88.85%-95.94%)。在验证组中,以CCTA与ICA判定心肌缺血的准确性为43.64%(95%CI:30.30%-57.68%)、42.27%(95%CI:33.65%-61.20%),而影像组学方法仍然有较高的准确性92.73%(95%CI:82.41%-97.98%)。在验证集中,CCTA与ICA诊断心肌缺血的曲线下面积(Areaundercurve,AUC)分别为 0.517(95%CI:0.359-0.674)、0.564(95%CI:0.411-0.718),而影像组学方法有更大的AUC值(0.919,95%CI:0.830-1.000)(所有P<0.001)。[结论]以有创FFR为参考标准,影像组学联合机器学习方法可以在CCTA图像上通过分析左心室心肌特征能更好地预测冠心病患者是否存在病变特异性心肌缺血。未来需要前瞻性的、大样本的数据来验证该模型在临床上的诊断效能。第二部分利用深度学习神经网络行冠状动脉CTA图像上左室心肌自动识别和分割的研究[目的]准确且快速地在冠状动脉 CTA(Coronary computed tomography angiography,CCTA)图像上分割左心室心肌(Left ventricular myocardium,LVM)并进一步分析LVM的结构或功能,对于心血管疾病的辅助诊断及未来不良事件的预测是非常重要的。在临床实际工作过程中,在计算基于LVM的参数或在勾画LVM将其作为感兴趣区以供人工智能等高级图像处理分析技术时,需要耗费大量的时间与精力,增加临床工作的负担。由于人群的个体差异和疾病对心肌累及的程度不同,以及CCTA图像上心肌与周围组织的对比差异不明显,准确且快速的分割LVM是一个有挑战的任务。因此,本研究旨在建立并评估一种基于深度学习的算法,快速且可靠地自动识别并自动分割CCTA图像上的LVM。[材料和方法]本研究构建了一种有监督的嵌合了注意门控(Attention gates,AGs)的U-Net深度学习神经网络,从CCTA图像上自动识别并分割LVM。在构建模型之前,由有经验的放射科医师手动勾画100例疑似或者确诊冠心病患者CCTA图像上的LVM,作为深度学习方法的二元掩膜(Binarymask),用于训练和验证该算法在分割LVM时的性能。该深度学习网络由混合损失函数监督(结合了逻辑损失和Dice损失),以同时评估训练集和验证集的相似性和差异性。使用五折交叉验证(five-fold cross-validation)方法评估该模型的分割性能。为了客观评估评估所提出模型的准确性,使用Dice相似性系数(DSC)、Hausdorff距离(Hausdorff distance,HD)、平均表面距离(Mean surface distance,MSD)、残留均方距离(Residual mean square distance,RMSD)、质心距离(the center of mass distance,CMD)以及体积差异(Volume of difference,VOD)参数与有经验的放射科医师手工勾画的LVM轮廓进行比较。[结果]所提出的基于深度学习分割模型在CCTA图像上识别并分割LVM方面有着较好的性能。与有经验的放射科医师在CCTA图像上手工勾画的左心室心肌轮廓相比,该模型所描绘的LVM轮廓的平均DSC=91.6%,Hausdorff距离为6.840±4.410mm。此外,所提出的模型还产生了小的CMD(1.058±1.245mm)、体积差异(1.640±1.777cc),MSD 和RMSD 分别为 0.433±0.209 mm 和 0.724±0.375 mm。[结论]本研究构建了一种新的针对CCTA图像上LVM自动分割的深度学习方法。通过与有经验的放射科医师手动描绘的LVM轮廓比较,使用6种客观参数证明了所提出的基于深度学习分割方法的准确性。这些结果表明在临床环境中使用本方法自动分割LVM进行计算机辅助诊断的潜力。