计算机辅助诊断脑血管病的应用.pdf
《计算机辅助诊断脑血管病的应用.pdf》由会员分享,可在线阅读,更多相关《计算机辅助诊断脑血管病的应用.pdf(7页珍藏版)》请在咨信网上搜索。
1、前 言脑血管病是一种由脑部血管发生病变而引起的神经功能障碍性疾病1,具有发病率高、病程长的特点,多发于中老年群体,但如今其在青壮年人群中的发病率持续升高,是成年人致残、致死的主要原因之一2-3。脑血管疾病包括脑卒中、颅内动脉瘤、血管畸形、脑血管炎等,若诊断不及时,错过最佳治疗时间,将导致患者残疾甚至死亡。目前,计算机断层扫描(Computed Tomography,CT)、核 磁 共 振 成 像(Magnetic Resonance Imaging,MRI)等现代医学成像技术能够及时反映病灶的变化状态,为医生提供临床诊断依据,在早期颅内病变筛查中发挥了越来越重要的作用。然而,在脑血管病临床诊断
2、中,脑血管病的病因多样,诊断流程复杂,需要结合患者发病前的症状进行评估,并且依赖于放射科医师的诊断经验,诊断结果易受主观因素影响,导致不同医师间阅片 结 果 可 能 存 在 差 异。因 此,基 于 人 工 智 能(Artificial Intelligence,AI)的计算机辅助诊断技术开始被应用于临床工作中,其能有效帮助医师提高诊计算机辅助诊断脑血管病的应用周昱汐1,贾守强2,聂生东11.上海理工大学医学影像工程研究所,上海 200093;2.山东第一医科大学附属济南人民医院影像科,山东 济南 271100【摘要】脑血管病具有高死亡率、高致残率、高复发率的特点,颅内病变的早期确诊是降低其死亡
3、率的关键。临床上,脑血管病的人工诊断效率较低,时常出现漏诊、误诊的现象,而基于人工智能(AI)的计算机辅助诊断技术通过挖掘医学影像中的特征,能够辅助医生快速、准确地定位早期病灶,提高诊断效率。首先,本研究概述了AI辅助鉴别脑卒中类型、确定脑卒中发病时间、判断脑卒中梗死病灶范围方面的应用;然后,针对AI辅助检测颅内动脉瘤、颅内动脉狭窄、脑动静脉畸形3种脑血管病变方面的研究应用分别进行综述;最后,总结AI在脑血管病临床诊断中的挑战,并对该领域的研究方向进行展望。【关键词】脑卒中;脑血管病;计算机辅助诊断;人工智能;综述【中图分类号】R318;R743【文献标志码】A【文章编号】1005-202X(
4、2023)09-1167-07Application of computer-aided diagnosis for cerebrovascular diseasesZHOU Yuxi1,JIA Shouqiang2,NIE Shengdong11.Institute of Medical Imaging Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China;2.Department of Imaging,Jinan Peoples Hospital Affiliated to S
5、handong First Medical University,Jinan 271100,ChinaAbstract:Cerebrovascular disease has the characteristics of high mortality,high disability rate,and high recurrence rate.Thekey to reducing mortality is the early diagnosis of intracranial lesions.Clinically,the physician diagnosis of cerebrovascula
6、rdisease is inefficient,and the missed diagnosis and misdiagnosis often occur.The computer-aided diagnosis technology basedon artificial intelligence(AI)can assist physicians to localize the early lesions quickly and accurately by obtaining thefeatures in medical images.Here the applications of AI i
7、n differentiating stroke types,determining the time of stroke onset,and delineating the stroke infarction lesions are introduced,focusing on the AI-assisted detections of intracranial aneurysm,intracranial artery stenosis and brain arteriovenous malformations.Finally,the challenges faced in the AI-a
8、ssisted diagnosisof cerebrovascular disease are summarized,and the prospects for future research are put forward.Keywords:stroke;cerebrovascular disease;computer-aided diagnosis;artificial intelligence;review【收稿日期】2023-03-22【基金项目】国家自然科学基金(81830052);上海市自然科学基金(20ZR1438300)【作者简介】周昱汐,硕士,研究方向:医学影像智能处理与分析
9、,E-mail:【通信作者】贾守强,博士,主任医师,教授,研究方向:影像诊断,E-mail:;聂生东,博士,教授,研究方向:图像处理与磁共振成像,E-mail:DOI:10.3969/j.issn.1005-202X.2023.09.018第40卷第9期2023年 9月中国医学物理学杂志Chinese Journal of Medical PhysicsVol.40 No.9September 2023医学人工智能-1167断准确性,减轻精准诊断及筛查脑血管病的负担。本文将围绕AI技术在脑卒中辅助诊断及颅内血管病变检测两方面的最新研究进展进行讨论。1 AI在脑卒中辅助诊断中的应用脑卒中通常表现
10、为急性神经功能缺损,是一种急性脑血管病,分为缺血性卒中和出血性卒中两大类4。在脑卒中诊断流程中,鉴别脑卒中类型、确定发病时间、判断梗死灶范围等任务的快速识别关系着患者能否在最佳时间内确定治疗方案,而AI凭借其强大的特征分析能力,为诊断脑卒中提供新的研究思路和方向。1.1 鉴别脑卒中类型根据治疗指南5,脑卒中治疗方式包括静脉溶栓和机械取栓,且在溶栓治疗之前,必须排除出血性病因。有研究表明AI技术在诊断初期可通过分类有无病灶的影像序列快速鉴别患者卒中类型。例如,Lo等6采用AlexNet模型分类脑卒中图像(缺血性卒中、非卒中)。其中,未经预训练的AlexNet在内部验证集上达到97.12%的高准确
11、率,受试者工作特征曲线下面积(Area Under Curve,AUC)达 0.992 7。尽管该研究可以准确地对缺血性卒中与非卒中数据进行二分类,但模型缺少对出血性卒中类型的识别能力,无法应用于临床。于是,Gautam等7-8将出血性卒中患者数据纳入实验,在缺血性卒中和非卒中数据的基础上进行三分类。首先,基于传统机器学习方法7,利用局部二进制模式(Local Binary Pattern,LBP)提取图像纹理特征,再采用K最近邻算法分类,其准确率可达86.11%;其次,基于深度学习方法,该团队设计了 P_CNN 模型8,得到 98.77%的准确率,提升了12个百分点。P_CNN由卷积层、池化
12、层和两个全连接层组成,因结构形似字母“P”而得名。在这两项实验中,P_CNN中的卷积层挖掘图像中除纹理特征外等其他的高维抽象特征,具有更好表征影像的能力,因而表现出更优的诊断性能。除了将卒中分为缺血性卒中与出血性卒中,英国牛津郡社区卒中项目将卒中分为部分前循环综合征、腔隙综合征、全前循环综合征、后循环综合征 4类。Subudhi等9根据该分类标准鉴别扩散加权成像(Diffusion Weighted Imaging,DWI)图像中的脑卒中类型,先利用期望最大化算法和分数阶达尔文粒子群优化算法分割大脑中的卒中病灶,再提取该感兴趣区域(Region of Interests,ROI)特征并输入到支
13、持向量机(Support Vector Machines,SVM)和随机森林(Random Forest,RF)分类器中,最终分类准确率达93.4%。在卒中鉴别以及之后所提及的研究中,先分割病灶获得ROI再提取特征是一种常用的手段,通过分割减少无关信息的干扰,进而促使模型在学习过程中更多地关注有用的信息。并且在AI辅助鉴别脑卒中类型领域,现有研究并未局限于分类卒中类型,同时也拓展鉴别卒中与大脑中其他病症,例如区分缺血性卒中与脑白质高信号区域,为脑卒中鉴别诊断提供多方位的参考建议10。1.2 确定脑卒中发病时间临床上认为 4.5 h 是急性缺血性脑卒中(AcuteIschemic Stroke,
14、AIS)发病时间的分界点,卒中发作后的时间(Time Since Stroke,TSS)小于4.5 h是最佳的溶栓期,超过4.5 h则会显著增加溶栓后的出血风险11。为解决人工评估TSS存在诊断一致性较低的问题,开始有研究利用DWI-FLAIR不匹配建立AI模型,以便在溶栓窗口期内判断患者是否能够进行静脉溶栓治疗。其中,Lee等12基于从FLAIR数据及其比率图中提取的强度、梯度和纹理信息等成像特征进行分类。该实验方法的灵敏度最高达75.8%,高于人工判断的48.5%,表明传统机器学习方法在TSS识别任务中具有研究潜力。随后,Zhu等13采用先分割ROI 再分类的方法识别 TSS,先设计跨模态
15、 CNNB0-UNet w/MSAC同时分割DWI和FLAIR中的卒中病灶,其中MSAC为多尺度空洞卷积模块,该模块包含4个并行的卷积路径生成多尺度特征以提高分割精度,再提取ROI成像特征并输入多个机器学习分类器中,采用投票机制统计得分,最终分类准确率为80.5%,灵敏度为76.9%,特异度为84%,准确率和特异度均优于人工判断的70.4%、59.0%。基于AI技术评估TSS是一个客观的计算过程,其性能超过了人工判断的精度,并且将重复的工作交由计算机处理,有效提高了人工评估TSS的效率。然而,模型的灵敏度都未超过80%,仍有待进一步提高。此外,除了利用 DWI-FLAIR 不匹配评估 TSS,
16、Ho等14-15首次采用磁共振灌注加权图像确定TSS,提出融合基于MRI提取的基线特征与基于深层自动编码器模型提取的深度特征,为AI评估TSS提供了新的解决方案。实验所提取的成像特征如表 1所示。两项实验结果皆表明,经特征融合后的性能高于单一特征的性能,并且相比文献 14 研究,文献 15 由于提取了更多类别的特征,AUC提高0.082,灵敏度提高10.1%。该项研究表明成像特征与深度学习特征的有效融合,能够为TSS的评估提供互补的特征信息,从而增强特征的表征能力,二者的结合不仅可以提高TSS分类的准确性,同时也有助于平衡数据量不足的问题,提升模型的鲁棒性。中国医学物理学杂志第40卷-1168
17、1.3 判断脑卒中梗死病灶范围早期精准评估梗塞病变的存在及其范围对于临床医生在卒中类型分类和治疗计划制定上尤为重要。非对比增强CT(Non-Contrast CT,NCCT)广泛用于脑卒中梗死区的初步筛查,但NCCT图像中大脑梗死区域与正常区域的高相似性通常会影响医生的诊断,类似阈值分割的传统图像分割方法也难以应用其中。为解决这一现象,Qiu等16采用传统机器学习结合深度学习的方法,检测并量化NCCT上AIS患者的梗死区域。实验数据融合密度、距离、病变位置信息与深度学习特征(低衰减度),再借助RF分类器判断图像中每个体素的灰度值,其得出的梗塞体积与DW MRI 金标准的病灶体积一致性较高(r=
18、0.76,P0.001),二者的平均差异为11 mL(P=0.89)。该项研究为NCCT评估卒中梗死区域带来新希望。AI模型不仅能分割当前状态下的卒中病灶,还能够融合多维信息预测病灶变化的趋势,辅助医生在病情发生变化的时间内做出关键决策,有助于提高 患 者 存 活 率。Robben 等17将 CT 灌 注(CTPerfusion,CTP)、经下采样后的 CTP、动脉输入函数(Arterial Input Function,AIF)、元数据(治疗参数)作为多尺度输入数据,通过卷积、上采样操作转换4个路径输出的特征图的大小,并融合多路径特征图预测最终的卒中梗死范围。消融实验表明高分辨率和低分辨率图
19、像的融合、AIF以及元数据都有助于提高预测性能,最终预测平均体积误差为-2.8 mL,总体低估了梗死范围。Pinto等18采用双分支受限玻尔兹曼机提取多参数MRI的结构特征和血流动力学特征,融合MRI图像并输入CNN中,以预测90 d后的脑卒中病灶范围。其预测结果与金标准之间的Hausdorff距离为29.21 mm,平均对称表面距离为5.52 mm。区别于大多数深度学习任务只采用源图像训练,上述研究表明,融合多模态特征、增加训练样本的复杂性可以获取更全面的信息来帮助预测。由于病情的发展趋势常受到诸多因素的影响,准确预测病灶变化范围本身就具有极大的挑战性。今后,在基于AI判断脑卒中梗死病灶范围
20、的研究中,参考临床诊断的依据,有针对性地选取与预测任务具有高相关性的特征进行融合,或能显著提高模型的预测性能。2 AI在脑血管病变辅助诊断中的应用脑血管狭窄、动脉瘤、栓塞、畸形等脑血管疾病会影响大脑血液正常流动,严重时将导致卒中19。因此,为防止病情恶化,疾病的早期诊断至关重要。检测是AI应用于脑血管病中最为广泛的任务,其能辅助医生快速、精准地定位病灶在影像中的位置,同时检测任务也为AI在血管病灶分割、破裂风险预测等延展性研究奠定基础。表2总结了AI在3种常见脑血管病检测应用中的方法。2.1 颅内动脉瘤颅内动脉瘤破裂是非外伤性蛛网膜下腔出血(Subarachnoid Hemorrhage,SA
21、H)的主要原因20,在SAH中约占80%21,并且动脉瘤破裂造成的蛛网膜下腔出血易诱发出血性卒中。因此,在动脉瘤破裂前找出其生长位置,尽早治疗,有助于降低动脉瘤破裂风险。近几年AI辅助检测颅内动脉瘤的研究主要基于深度学习展开。根据分割模型得出的ROI定位影像中动脉瘤的位置,能够实现动脉瘤的自动化检测。Jin等22在2D-CNN架构中加入双向卷积长短期记忆模块,成功从数字减影血管造影(Digital Subtraction Angiography,DSA)序列中分割出动脉瘤,在每例假阳性数(False PositivesPer Scan,FPs)为3.77时,灵敏度为89.3%。Chen等23基
22、于 3D-UNet 模型检测磁共振血管造影(MagneticResonance Angiography,MRA)中的颅内动脉瘤,数据被裁成128128128的图像块输入CNN中,有效缓解了算力不足的问题,并且三维卷积核对比二维卷积核能够更好地获取图像的拓扑结构信息,有利于网络学习更多的空间特征信息。Shi等24提出DAResUnet用于 检 测 CT 血 管 造 影(Computed TomographyAngiography,CTA)序列中的颅内动脉瘤,该网络通过在U-Net网络中添加双通道注意力模块和残差模块学习上下文信息,以获得比U-Net更好的检测性能,同时他们的工作也证实了DL与放射
23、科医生相比有更好的表现。最近,Claux等25提出一种级联两阶段Unet,即第一个Unet的输出作为第二个Unet的输入,其中第一阶段用于分割脑血管,第二阶段基于分割血管后的图像检测动脉瘤,最终从27个动脉瘤中检测出了21个,FPs为0.52,但是数据量太少不足以验证模型的可靠性。文献Lee等12Zhu等13Ho等14Ho等15成像特征类别强度、梯度、GLCM、GLRLM、LBP一阶统计特征、形状、GLCM、GLRLM、GLSZM、GLDM、NGTDM强度描述性统计、形态特征特征数/种44107114表1 文献研究中提取的成像特征Table 1 Image features in refere
24、ncesGLCM:灰度共生矩阵;GLRLM:灰度行程矩阵;GLSZM:灰度区域大小矩阵;GLDM:灰度相关矩阵;NGTDM:邻域灰度差矩阵第9期周昱汐,等.计算机辅助诊断脑血管病的应用-1169由分类模型的预测结果得出疑似动脉瘤的概率,也是颅内动脉瘤检测的一种思路。Nakao等26提出 2.5D 机 器 学 习 方 法,采 用 最 大 强 度 投 影(Maximum Intensity Projection,MIP)图像检测动脉瘤。该实验获取3D数据中9个平面的1616的MIP图像,先垂直拼接为16144的图像,再输入2D-CNN网络中分类。最终在 FPs 为 2.9 时,检出灵敏度达94.2
25、%,证明了 AI与 MIP结合的可行性。Ueda等27利用ResNet18模型检测动脉瘤,在内部、外部验证集上的灵敏度分别为91%、93%,但特异度较低,在临床应用上仍具有一定局限性。通过采用有、无动脉瘤的混合数据集进行训练,可以大幅度提高特异度。Joo等28在训练集中加入了无动脉瘤的脑部MRA数据,外部验证集上特异度高达 98%。次年,Joo等29提出先基于3D-ResNet得到候选动脉瘤的体素块,再基于3D-UNet定位动脉瘤的方法,实现了低假阳性、高灵敏度的检测目标,在每例FPs为0.123时,灵敏度达92.26%。低假阳性可以减轻医生二次筛选病灶的工作量,但相较于单阶段检测方法,两个模
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 计算机辅助 诊断 脑血管病 应用
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。