European Radiology | 創(chuàng)新極坐標(biāo)AI模型將血管“展開(kāi)”分析:大幅提升腦卒中影像定量評(píng)估精度
2025年11月,中國(guó)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(guó)重點(diǎn)實(shí)驗(yàn)室張娜副研究員,開(kāi)發(fā)出一套創(chuàng)新的深度學(xué)習(xí)框架,通過(guò)將“極坐標(biāo)映射”這一數(shù)學(xué)變換引入人工智能分析系統(tǒng),實(shí)現(xiàn)了對(duì)全腦及頸動(dòng)脈血管壁的快速、精準(zhǔn)、全自動(dòng)分割。該技術(shù)通過(guò)將環(huán)形血管結(jié)構(gòu)“展開(kāi)”成平面進(jìn)行分析,顯著提升了模型對(duì)薄層血管壁的識(shí)別能力。多中心臨床驗(yàn)證表明,該系統(tǒng)性能卓越,為腦卒中風(fēng)險(xiǎn)的精準(zhǔn)評(píng)估與防控提供了高效的量化新工具。研究以 "Clinically Oriented Deep Learning Framework for Automated Vessel Wall Segmentation in Black-Blood MRI: A Multi-Center Study"為題,發(fā)表于國(guó)際影像學(xué)領(lǐng)域權(quán)威期刊European Radiology。
動(dòng)脈粥樣硬化斑塊是導(dǎo)致缺血性腦卒中的重要原因。傳統(tǒng)的評(píng)估方法主要關(guān)注血管腔內(nèi)的狹窄程度,往往難以有效識(shí)別那些雖未引起重度狹窄、卻具有高破裂風(fēng)險(xiǎn)的斑塊。與之不同,黑血MR血管壁成像技術(shù)能直接顯示血管壁的細(xì)微結(jié)構(gòu),清晰呈現(xiàn)斑塊的形態(tài)、分布及其強(qiáng)化特征,對(duì)于精準(zhǔn)識(shí)別高風(fēng)險(xiǎn)斑塊、量化血管疾病負(fù)擔(dān)具有重要意義。然而,該技術(shù)的臨床應(yīng)用長(zhǎng)期面臨一項(xiàng)關(guān)鍵瓶頸:依賴影像科醫(yī)生在數(shù)百?gòu)垐D像上進(jìn)行耗時(shí)且繁瑣的手動(dòng)勾畫,這一過(guò)程不僅效率低下,且存在明顯的觀察者間差異,限制了該技術(shù)在大規(guī)模篩查與長(zhǎng)期隨訪中的應(yīng)用推廣。因此,開(kāi)發(fā)一套“精準(zhǔn)、高效且具備跨中心一致性”的自動(dòng)化量化工具,已成為推動(dòng)血管壁成像技術(shù)邁向規(guī)?;R床應(yīng)用的迫切需求。
針對(duì)上述挑戰(zhàn),研究團(tuán)隊(duì)創(chuàng)新性地提出了一個(gè)融合深度學(xué)習(xí)與血管結(jié)構(gòu)先驗(yàn)信息的全自動(dòng)血管壁分割框架。該框架聚焦于血管壁薄、呈環(huán)形、斑塊導(dǎo)致形態(tài)復(fù)雜以及邊界模糊等多個(gè)核心難點(diǎn),在深度學(xué)習(xí)框架中系統(tǒng)性地引入極坐標(biāo)映射模塊,構(gòu)建了由 “極坐標(biāo)映射—特征連續(xù)性建?!Y(jié)構(gòu)敏感損失函數(shù)” 組成的系統(tǒng)性解決方案,有效克服了傳統(tǒng)笛卡爾坐標(biāo)系下卷積神經(jīng)網(wǎng)絡(luò)難以精準(zhǔn)捕捉血管徑向特征的局限。
具體而言,團(tuán)隊(duì)借鑒數(shù)學(xué)中的極坐標(biāo)概念,將圓形的血管橫截面如同展開(kāi)一幅卷軸般轉(zhuǎn)換為平面矩形結(jié)構(gòu),這種“線性化”處理顯著增強(qiáng)了模型對(duì)血管壁徑向厚度變化與連續(xù)性的表征能力,從而在解剖結(jié)構(gòu)復(fù)雜的區(qū)域?qū)崿F(xiàn)了分割精度的大幅提升。此外,為解決極坐標(biāo)變換可能帶來(lái)的角度端點(diǎn)不連續(xù)問(wèn)題,研究者設(shè)計(jì)了特征共享填充策略,確保了血管壁在角度維度上的形態(tài)連貫性,進(jìn)一步提升了模型對(duì)真實(shí)解剖結(jié)構(gòu)的建模精度。最后,團(tuán)隊(duì)還提出了專門的極坐標(biāo)Dice損失函數(shù),重點(diǎn)優(yōu)化在圖像中占比小、卻極具臨床意義的血管壁區(qū)域,使模型在復(fù)雜背景中仍能保持優(yōu)異的邊界識(shí)別能力。
為驗(yàn)證該方法的有效性與泛化能力,研究團(tuán)隊(duì)整合了來(lái)自五家醫(yī)療中心的多源臨床數(shù)據(jù)。在內(nèi)部測(cè)試中,系統(tǒng)對(duì)血管外壁、管腔及血管壁區(qū)域的分割精度均超過(guò)94%。尤為重要的是,在另外四家中心的獨(dú)立外部測(cè)試集上,系統(tǒng)性能表現(xiàn)依然穩(wěn)定可靠,證明了其強(qiáng)大的跨中心適應(yīng)能力。為進(jìn)一步確立方法的國(guó)際競(jìng)爭(zhēng)力,團(tuán)隊(duì)在公開(kāi)的MICCAI 2021血管壁分割挑戰(zhàn)賽數(shù)據(jù)集上進(jìn)行了測(cè)試,模型取得了當(dāng)前最高的血管壁分割精度,結(jié)果處于國(guó)際領(lǐng)先水平。
本研究不僅技術(shù)上具有創(chuàng)新性,在臨床轉(zhuǎn)化與應(yīng)用層面也展現(xiàn)出重要價(jià)值。通過(guò)梯度加權(quán)類激活映射技術(shù),團(tuán)隊(duì)可視化揭示了模型的決策依據(jù),顯示其注意力始終聚焦于解剖學(xué)相關(guān)的血管壁邊界,增強(qiáng)了臨床醫(yī)生對(duì)AI輔助診斷結(jié)果的信任度。該系統(tǒng)的成功應(yīng)用,有望將醫(yī)生從繁重的手工標(biāo)注中解放出來(lái),實(shí)現(xiàn)秒級(jí)自動(dòng)化分析,顯著提升臨床工作效率;同時(shí),其輸出結(jié)果具備高度客觀性與一致性,可為血管壁厚度、斑塊負(fù)荷等關(guān)鍵量化指標(biāo)的計(jì)算提供穩(wěn)定基礎(chǔ),輔助醫(yī)生更早、更準(zhǔn)地識(shí)別高風(fēng)險(xiǎn)患者,為腦卒中的個(gè)體化預(yù)防與干預(yù)提供可靠的影像學(xué)支持。
中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院博士后陶學(xué)桐為論文第一作者,中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院張娜副研究員為論文的通訊作者。該研究得到了國(guó)家重點(diǎn)研發(fā)計(jì)劃、廣東省磁共振成像與多模系統(tǒng)重點(diǎn)實(shí)驗(yàn)室和廣東省腦血管病轉(zhuǎn)化醫(yī)學(xué)創(chuàng)新平臺(tái)等項(xiàng)目的資助。

圖1:文章上線截圖

圖2:提出方法的總體技術(shù)路線圖

圖3:典型病例中自動(dòng)分割結(jié)果與專家手工標(biāo)注的一致性對(duì)比圖

圖4:模型在不同坐標(biāo)域下的?Grad-CAM?可視化,用于展示其關(guān)注的關(guān)鍵區(qū)域
附件下載: