西门子mr图像后处理手册_Nat Comm | 三维卷积神经网络重建头颈部CTA图像

原创 xiaoyudian 图灵基因 今天

收录于话题 前沿生物大数据分析

撰文：xiaoyudian

IF=12.121

推荐度：⭐⭐⭐⭐⭐

亮点

文章开发一种以生理解剖学为基础的优化的3D-CNN自动成像重建系统(CerebralDoc)，用于重建头颈部CTA图像，大大降低了时间和劳动力成本，提高诊疗效率，在临床应用中显示出良好的应用前景。

​

近日，来自中国的研究团队Fan Fu 等人在《Nature Communications》上发表了一篇名为“Rapid vessel segmentation and reconstruction of head and neck angiograms using 3D convolutional neural network”的文章。文中创新性地开发并验证了一种基于生理解剖的3D-CNN用于CTA头颈部图像后处理的深度学习算法。通过BRs分布优化网络，建立了模型，并提出了CGPM来修正血管分割误差，避免部分缺失血管。最终建立的3D-CNN深度学习算法，可以在多种增强CTA扫描(包括主动脉、颈动脉和颅内动脉)中，以高灵敏度和高特异性自动完成骨骼和血管分割。同时，该方法在临床应用中能够大大的降低时间成本和劳动力成本，显示出了良好的优势，未来将会大大的提高放射性诊疗的效率，降低医疗成本。

计算机断层血管造影术(CTA)是一种广泛的、微创的、成本效益高的成像方式，用于头颈部血管的常规临床诊断，特别是脑血管疾病。脑血管疾病是世界范围内严重残疾和死亡的主要疾病。为了更有效地对头颈部的血管进行视觉分析，图像重建通常由经验丰富的计算机断层摄影技术人员进行。然而，由于申请CTA考试的人数增加，耗时的手工处理过程，后处理工作人员已不堪重负。自动重建系统的构建将会临床血管成像提供更加便捷的途径。

基于深度学习的分割方法由于其自学习和从大数据量中泛化的能力而受到越来越多的关注。由于血管的弯曲和分支，分割容易受到其他组织的影响，这都对不中断的情况下准确分割血管提出了挑战。需要一个具有自适应特性的系统，能够具有连续性的自动分割。深度神经网络结构是克服上述技术障碍的最有效方法。在过去的几年里，各种深度学习模型在不同领域的图像分类和分割任务中显示出了巨大的潜力，特别是在神经成像领域。具体来说，U-net是一种专门的卷积神经网络(CNN)，它已经在医学图像分析方面展示了它的前景。针对分割任务，设计了符合目标图像的生理、解剖、形态学特征的3D-CNN模型，对生物医学图像具有较高的分割性能。

本研究首先进行样本分析，从5家医院选择18,766例患者进行头颈部CTA扫描。总体实验设计的工作流程图如图1所示。从中选择91,295张增强图像进行训练。利用改进的U-net对3D-CNN模型进行训练，并加入BR，自动实现模型参数的优化选择。CerebralDoc系统的核心设计是深度学习模型，该模型分为ResU-Net和连通增长预测模型(CGPM)两部分。ResU-Net主要负责骨分割和血管提取，而提出的CGPM用于确保血管完整性。

在第一部分中，利用ResU-Net库中BRs的分布来提取特征图谱，显示出了模型最优的分割性能。模型的训练过程包括骨分割和血管分割，然后对其进行进一步的改进和优化，确定最佳参数。在此基础上，对于该模型自动实现头颈部CTA重建的能力，收集得到的重建图像，将其性能与人体输出进行比较，对其图片质量是否满足放射科医生的诊断需要进行评估。结果表明，在动脉粥样硬化、脑血管疾病、动脉瘤、血管变异等不同疾病的合格率评估中，大脑医生与人的输出量无统计学差异。

CerebralDoc是适用于所有的病人头部和颈部CTA检查，包括动脉粥样硬化患者溃疡、动脉瘤、烟雾病、颈和支架植入。2019年7-11月，共有3430名患者接受头部和颈部CTA扫描在宣武医院临床。经经验丰富的技术人员评估，3122人(91.0%)通过软件成功重构。最后，将2649张重建图像应用于临床(图2a)。随着医生信任度的提高，将重建图像推向临床的案例从243逐渐增加到753(图2b)。

同时，与CerebralDoc相比，平均消耗时间从14.22±3.64分钟减少到4.94±0.36分钟(图3a)。使用后处理时间和点击人数不同病人和正常人通过手动识别，而人工智能没有显著差异(图3b，d)。此外，点击的数量从115.87±25.9减少到4，技术专家从3降低至1(图3c)。在使用CerebralDoc的5个月中，CTA检查次数增加了一倍，软件的成功率逐渐提高。

综上所述，CerebralDoc是提供头颈部CTA重建的实用系统。与目前可用的CTA图像重建技术相比，它提供了一种节省时间和独立的方法来优化CTA图像的重建，节省成本，提高效率。由于自动基于AI标准化U-net和可视化的代位图像，CerebralDoc有潜力成为一个标准组件的日常工作流程，最终建立放射性手术的流程，增加与病人的交流，有利于实现个性化诊疗。

教授介绍

卢洁，主任医师、教授、博士研究生导师。首都医科大学宣武医院放射科主任、核医学科副主任，首都医科大学核医学系常务副主任，磁共振成像脑信息学北京市重点实验室副主任。

主要从事脑疾病功能与分子影像学研究，主持国家科技部十三五重点专项、国家自然科学基金、北京市自然科学基金、北京市医管局临床技术创新项目、北京市医管局人才培养计划“登峰”项目、美国哈佛大学合作资助项目等课题。发表SCI文章50余篇，代表作发表在Neuron、 Journal of Neuroscience、Neuroimage等国际权威期刊。参编（译）著10余部，主编国内首部PET/MR专著《一体化PET/MR操作规范和临床应用》。曾获中华医学科技奖二等奖、华夏医学科技奖、北京市医管局首届临床研究大赛二等奖等。

参考文献

Fu, F., Wei, J., Zhang, M. et al. Rapid vessel segmentation andreconstruction of head and neck angiograms using 3D convolutional neuralnetwork. Nat Commun 11, 4829 (2020).https://doi.org/10.1038/s41467-020-18606-2.