吴柯薇 白 玫*

世界上约有6%的成年人患有冠心病(coronary heart disease，CHD)，冠状动脉粥样硬化会导致血管闭塞从而危机生命[1]。随着我国老龄化情况不断加重，全国范围内CHD患者明显增多，CHD已经成为威胁人们身体健康的主要疾病之一。冠状动脉造影作为诊断冠状动脉狭窄的金标准，因其有创，风险大，检查费用高，目前不作为临床诊断CHD的首选。随着CT硬件技术的不断更新和CT血管造影(computed tomography angiography，CTA)技术的普及，冠状动脉CT血管造影(coronary computed tomography angioplasty，CCTA)技术在CHD的诊断过程中应用越来越广泛。

近年来，卷积神经网络(convolutional neural networks，CNNs)作为深度学习(Deep learning)的一种技术备受关注，该技术已经被广泛地应用于一系列复杂的图像处理案例中，例如图像识别，图像分类和目标检测[2]。CNNs不用人工提取图像特征，而是自主学习输入图像的特征，从第一次成功应用于肺结节的检测后，已经被广泛应用于医学图像处理的各个领域[3]。

本研究为了提高分析的效率和准确率，通过深度学习技术，构建冠状动脉CTA图像斑块识别模型。对已有的常规图片识别模型进行迁移学习，对模型进行预训练和微调，从而提升模型对于医学图像的特征提取能力，进而获得更好的精度，达到可应用于临床计算机辅助诊断的要求，为诊断医生精准的判断提供参考[4]。

1 冠状动脉CTA图像斑块的识别算法

建立残差网络(residual network，ResNet)模型对CCTA图像有无斑块进行识别。使用ResNet模型对冠状动脉CTA图像进行自动分类，该模型主要分为源数据的预训练、迁移学习、目标数据的微调训练、模型性能的检验等内容。模型流程见图1。

图1 模型流程图

1.1 ResNet卷积神经网络

卷积神经网络的结构在特征学习中至关重要，常规认为网络设计的越深越好，但实际网络越深会遇到更多问题，主要问题是梯度消失和梯度爆炸[5]。将最新一代卷积神经网络(深度残差神经网络，ResNet-152)[6]引入残差连接，能够在深层次的卷积神经网络训练时解决其性能退化问题。而残差连接可以加速深度网络的收敛，并通过大幅度提高网络深度来保持准确率的提高。ResNet基本结构单元见图2。

图2 ResNet基本结构单元

ResNet模型基本思想是提出一个残差学习结构，将原来需要学习的函数H(x)变为F(x)+x，这种拟合函数的求解要比之前求解H(x)简单。根据图像中的残差向量编码，通过一个重制，将一个问题分解成多尺度的残差问题，以解决深度网络训练优化难的问题。因此，ResNet网络与之前的CNNs网络相比，在深度增加的同时网络性能也得到了提升[7]。

利用ResNet模型，进行冠状动脉CTA图像斑块的识别，并且研究了不同深度的ResNet网络，进行反复对比，选择最适合临床应用的最适宜层数的ResNet。不同深度ResNet的网络结构见表1。

1.2 图像预处理

1.2.1 CCTA图像后处理

CCTA的原始图像中不仅包含冠状动脉，还包含有心肌、骨骼及软组织。为了更准确的识别出目标血管的斑块信息，本研究所识别的CCTA图像是经过三维重建后处理的冠状动脉血管图像。三维后处理可以选择的二维(two dimensional，2D)图像有曲面重建(curve planar reformation，CPR)图和拉直图像，但拉直图像会导致冠状动脉内部形态发生改变，而形态轮廓信息也是判断斑块的重要信息，因此本研究选择的是冠状动脉的CPR图像。冠状动脉CTA重建见图3。

1.2.2 图像归一化

ResNet 需要使用固定大小的图像作为输入(227×227或224×224)。将图像进行尺度调整，使所有图像具有相同的大小，以便进行训练或特征提取。首先将后处理图像去除无效区域后调整图像大小到256×256像素矩阵，转换成联合摄影组(joint photographic group，JPG)格式保存，建立统一数据集。通过减去在整个训练数据集上计算出的平均像素值来对图像进行归一化。

表1 不同深度ResNet的网络结构

图3 冠状动脉CTA重建图

1.3 softmax分类器

卷积神经网络采用softmax[8]分类器，softmax层接在全连接层后。softmax层的输出为一个概率分布，可以得到输入属于每一种类别的概率，且输出概率总和为1，输出概率的计算为公式1：

式中k的值为2(本研究是二分类问题，故k=2)。

2 ResNet的CCTA图像斑块识别实验

2.1 数据集

数据集中的CCTA图像来源于医院有数字减影血管造影(digital subtraction angiography，DSA)对照的100例患者。100例患者均选择三支冠状动脉的CPR图像，分别为右冠状动脉(right coronary artery，RCA)，前降支(anterior descending artery，LDA)，左回旋支(left circumflex artery，LCX)。CPR在重建时选择360°内重建20幅图像，整个数据集数量为6000幅，具体分布见表2。

表2 数据集数据类型分布(幅)

将数据集整体打乱后，划分为训练集(60%)，验证集(20%)和测试集(20%)三个部分，采取相同的预处理操作，以保证验证和测试的结果准确。

2.2 硬件和软件平台

实验中所用的计算机硬件配置为64位Windows10操作系统，2.80 GHz Intel i7 CPU，软件方面，选择Google的深度学习开源框架TensorFlow作为程序框架，版本为1.30，前端为Keras2.0.8，程序使用Python3.6编写设计。

2.3 实验结果分析

对于评价的性能指标，选取通过整体准确率(accuracy，Acc)、灵敏度(sensitivity，Se)和特异性(specificity，Sp)来衡量，其中准确率是正确分类的斑块比例。每个指标具体计算方法为公式2～4：

式中，TP为真阳性(true positive，TP)，表示本来是阳性，被正确分类的样本个数；FP为假阳性(false positive，FP)，表示本来不是阳性，被分类为阳性的样本个数；TN为真阴性(true negative，TN)，表示本来是阴性样本，被正确分类的样本个数；FN为假阴性(false negative，FN)，表示本来不是阴性，被错误地分类为阴性的样本个数[13]。

三种深度的网络在实验中的超参数为，学习率0.001，每个卷积核batch的大小是32。

2.3.1 不同层数网络评价

由于网络的层数和复杂度会影响训练结果，因此选择3种层数的ResNet进行研究，不同深度的CNNs各参数的比较结果见表3。

表3 不同深度ResNet性能参数对比(%)

表3显示，ResNet-50的灵敏度最高，ResNet-152的准确率和特异度最高。但由于网络层数的增加直接影响了网络的运算速度，ResNet-152的训练速度要比ResNet-50的速度低数十倍，在临床工作中，有良好的网络性能，快速的运算时间再辅以医师的临床经验方能达到更好的诊断效能。

2.3.2 ResNet-50辅助医师评价评测

以DSA结果为金标准，对100例患者的CCTA图像进行评测。选取已训练好的ResNet-50，由两名具有5年以上诊断经验的医生进行单独评价及参考ResNet结果的基础上进行评价，其评价结果见表4。

表4 ResNet-50辅助医师评价评测结果(%)

表4显示，在ResNet神经网络的辅助下，两名医师的诊断准确性都得到了显著提升，并且在保证较高特异性的同时显著的提高了诊断的灵敏度。

3 讨论

冠状动脉粥样硬化斑块根据CT值水平可分为软斑块(CT值＜50 HU)、纤维斑块(CT值50～120 HU)和钙化斑块(CT值＞120 HU)[9]3类。由于钙化斑块的硬化伪影和注入造影剂后纤维斑块的局部强化影响，并不能通过肉眼准确的判断是否存在斑块及斑块的性质。前期的临床实践和大量文献的比较研究中发现，CCTA对其狭窄程度的评估存在着一定的误差率，这些误差的造成大多是建立在诊断医师个人经验判断的基础上。CNNs的主要优点是根据给定的训练数据集，自动地学习对象特征[10]。但是，CNN需要大量的训练数据进行特征的学习，在医学图像处理领域，通常样本数据缺乏、采集和标注也十分困难，因此其应用往往存在局限性。有研究[11-12]表明，即使未经过重新训练，通过迁移学习深度卷积特征也可以用作通用视觉表达，比如在大型自然图像ImageNet数据集[13]上预先训练的CNNs特征，在其他很多图像识别任务中也取得了很好的结果。利用ResNet网络对CCTA图像斑块进行识别，并对不同深度网络的识别效能做出了统计。实验中模型的残差块有效克服了网络的退化问题，在网络深度加深的同时，保证了性能不会过度下降[14]。但考虑到临床应用上结合医师的诊断，需要一个训练速度快且敏感性好的网络，因此选择ResNet-50作进一步研究对象。由于在冠状动脉斑块的诊断过程中，准确性一直依靠于诊断医师的临床经验，和DSA相比较下，往往钙化斑块假阳性率高，非钙化斑块假阴性率高。本研究中，诊断医师在参考ResNet-50的诊断结果后再对斑块类型进行判别，均在保证特异度的同时提高了准确性和诊断灵敏度。

在传统的机器学习中，机器学习的是人标注的特征，但在深度学习中，计算机自主学习特征，所提取的特征是看不到的。因此，深度学习中的黑箱效应一直是模型优化过程中的难点。临床应用中，可以将ResNet作为辅助诊断技术，医师对于诊断结果有最终决定权，通过这种模式可以更好的利用CNNs提高临床中的应用价值[15]。本研究只对斑块进行有无二分类，但在临床诊断中是远远不够的，需要对斑块的种类做进一步的识别才能对于诊断及后续治疗起到关键作用，也是本研究之后需要解决的主要问题。