European Radiology | 磁共振血管壁圖像自動分割模型助力腦卒中風(fēng)險預(yù)測
缺血性腦卒中的發(fā)生與動脈粥樣硬化斑塊密切相關(guān),其診斷的關(guān)鍵在于對斑塊和血管壁的精準(zhǔn)分割和定量評估。然而,傳統(tǒng)的手動分割方法效率低下且依賴操作者經(jīng)驗,而現(xiàn)有的計算機自動輔助工具在精度方面仍存在不足,難以滿足臨床需求。這一技術(shù)瓶頸嚴(yán)重制約了缺血性腦卒中的精準(zhǔn)診療。
日前,中國科學(xué)院深圳先進(jìn)技術(shù)研究院醫(yī)學(xué)成像科學(xué)與技術(shù)系統(tǒng)全國重點實驗室、醫(yī)工所勞特伯生物醫(yī)學(xué)成像研究中心張娜副研究員團(tuán)隊與北京大學(xué)深圳醫(yī)院成官迅主任團(tuán)隊、江蘇省人民醫(yī)院魯珊珊主任團(tuán)隊以及上海聯(lián)影公司合作,基于MR高分辨血管壁圖像,開發(fā)了一種全可學(xué)習(xí)參數(shù)的多任務(wù)分割模型和一種以結(jié)構(gòu)先驗為引導(dǎo)的兩階段小目標(biāo)分割方法,實現(xiàn)了對頸部血管腔、管壁和斑塊的自動準(zhǔn)確分割與定量評估,為臨床缺血性腦卒中風(fēng)險評估提供了可靠的智能輔助診斷工具。研究成果以“Deep learning-based automatic segmentation of arterial vessel walls and plaques in MR vessel wall images for quantitative assessment”為題,發(fā)表在醫(yī)學(xué)領(lǐng)域?qū)W術(shù)期刊European Radiology。
研究團(tuán)隊創(chuàng)新性地提出了融合深度學(xué)習(xí)與醫(yī)學(xué)結(jié)構(gòu)先驗的雙階段自動分割量化評估方法。該方法采用改進(jìn)的SegNet-U-Net混合架構(gòu),并集成注意力機制模塊,構(gòu)建了全可學(xué)習(xí)參數(shù)的靈活高效分割網(wǎng)絡(luò)。同時利用血管壁和斑塊的形態(tài)學(xué)相似性構(gòu)建結(jié)構(gòu)先驗,并首次將Tversky損失函數(shù)應(yīng)用于結(jié)構(gòu)先驗優(yōu)化,顯著提高了小目標(biāo)分割精度。經(jīng)過多中心驗證,該系統(tǒng)可在3秒內(nèi)完成血管腔、管壁及斑塊的精準(zhǔn)分割與量化,其“看得清、信得過、用得上”的量化結(jié)果為臨床決策提供了可靠依據(jù)。
中國科學(xué)院深圳先進(jìn)技術(shù)研究院研究助理楊龍為論文第一作者,上海聯(lián)影公司楊雄和龔震寰為共同第一作者。中國科學(xué)院深圳先進(jìn)技術(shù)研究院張娜副研究員、北京大學(xué)深圳醫(yī)院成官迅主任、江蘇省人民醫(yī)院魯珊珊主任、華盛頓大學(xué)朱成成助理教授為論文的共同作者。該研究得到了國家重點研發(fā)計劃、廣東省自然科學(xué)基金(杰青項目)、廣東省磁共振成像與多模系統(tǒng)重點實驗室和廣東省腦血管病轉(zhuǎn)化醫(yī)學(xué)創(chuàng)新平臺等項目的資助。

圖1:提出方法的總體技術(shù)路線圖

圖2:不同模型的血管腔、管壁和斑塊的分割結(jié)果對比

圖3:所提出方法的量化評估結(jié)果Bland–Altman圖
附件下載: