谢丽华，史晓彤，王筱斐，黄云飞，赵森祥，杜天明，管常东，张洪刚，徐波

心血管疾病是我国居民的首位死亡原因，其发病率和死亡率呈逐年上升趋势[1]，其中冠心病是最常见的心血管疾病。冠状动脉造影是冠心病诊断和指导治疗的重要工具[2]，中国近90%的经皮冠状动脉介入治疗（PCI）在冠状动脉造影诊断当时完成[3]，因此快速而准确的冠状动脉造影影像诊断十分重要。随着我国冠心病患者逐年增加，大量的冠状动脉造影给临床医生造成了沉重的负担。并且，冠状动脉造影诊断依赖于医生的临床经验，不同医生对同一影像的解读往往存在一定的主观差异性，从而影响治疗决策。随着技术的进步，人工智能已在多个医学影像领域证明其应用潜力，如皮肤癌、糖尿病视网膜病变的分类诊断等[4-5]。深度学习作为人工智能强大算法之一，其自身可学习数据的内在规律和表示层次，在图像识别方面具有较强的能力。在既往研究中，深度学习在冠心病图像领域研究多集中于冠状动脉CT，比如冠状动脉中心线提取[6]、图像的噪声抑制[7]、病变狭窄程度测量及钙化检测[8]等。深度学习用于冠状动脉造影影像诊断的研究比较缺乏，Nasr-Esfahani 等[9]利用深度学习技术进行冠状动脉造影血管分割，即从图像中自动提取血管结构信息，研究使用图片处理方法对图像进行对比度调整，但这一措施耗费时间长，且将背景中与血管相似的结构同步增强，引入干扰项。此外，要实现冠状动脉造影的人工智能诊断，模型还需具备节段识别能力，即在分割的冠状动脉结构上识别各冠状动脉血管节段的解剖定位，以确定病变位置。本研究结合深度学习技术，旨在研发用于冠状动脉血管分割和节段识别的人工智能网络。

1 资料与方法

研究对象：连续纳入2018 年7 月于中国医学科学院阜外医院行冠状动脉造影检查的患者2 834 例。排除标准：（1）既往行冠状动脉旁路移植术；（2）冠状动脉造影质量差，血管轮廓显示不清。标注用于血管分割和节段识别任务的图像12 900 张。图像经过隐私保护处理后，以512×512 像素的医学数字成像和通信（DICOM）格式保存。冠状动脉造影多采用标准造影体位，以最好地展示血管和病变，标注图像信息如图1A所示。其中11 900张图像用于网络训练，其余1 000 张图像用于网络测试。

图像标注：冠状动脉血管及节段的标注由中国医学科学院阜外医院心血管介入诊疗影像分析核心实验室专业的影像分析师完成，当标注结果存在疑问时，需至少3 名分析师一起讨论，直到达成共识。标注过程如下（图1B）：（1）获取原始数据：图像以512×512 像素保存；（2）数据粗标注：影像分析师将冠状动脉各节段用不同颜色的线条标记（图1C）；（3）数据精标注：经过培训和考核的技术人员根据粗标注图像进行像素级别的精确标注，包含完整的血管轮廓及冠状动脉节段信息，用于血管节段识别任务；（4）制作血管二值图：将精标注的血管所对应像素点更改为白色像素值，用于血管分割任务。

网络模型：本研究提出了一种由人工神经元组成的基于反向传播算法的深度神经网络（DNN）。该模型结合冠状动脉造影的特点，完善了用于图像分割的金字塔场景解析网络[10]（pyramid scene parsing network，PSPNet，图1D）。模型针对特定的目标功能提取输入影像的不同语义信息，包括血管边缘和背景纹理在内的低级特征，以及整体形状在内的高级特征。DNN 包含两个任务：（1）血管分割任务：输入造影图像，输出血管二值分割图；（2）血管节段识别任务：输入造影图像，输出标记不同血管节段语义分割图。

图1 冠状动脉造影图像标注和网络结构

统计学方法：统计模型分割的真阳性像素点（TP）、假阳性像素点（FP）、真阴性像素点（TN）和假阴性像素点（FN）。在此基础上，计算血管分割及节段识别的准确度[（TP+TN）/（TP+FP+TN+FN）]、敏感度或召回率[TP/（TP+FN）]、特异度[TN/（TN+FP）]、阳性预测值或精确率[TP/（TP+FP）]、阴性预测值[TN/（TN+FN）]、F1 分数[ 2×精确率×召回率/（精确率+召回率）]等指标来评价DNN 的检测性能。同时根据结果绘制ROC 曲线，计算AUC。所有数据采用SPSS 18.0 进行分析，其中分类变量用百分比进行描述，连续变量用均值±标准差描述，采用t 检验进行比较。假设检验均为双边，P＜0.05 为差异有统计学意义。

2 结果

2.1 DNN 对冠状动脉造影图像血管分割的效果

DNN 血管分割网络能够将血管完整地从造影图像中分割出来，并保证血管的完整性和连续性（图2）。整体血管分割的准确度达99.2%（95% CI：99.1%～99.2%），敏感度、特异度、阳性预测值、阴性预测值分别为94.8%（95% CI：94.6%～95.0%）、99.4%（95% CI：99.3%～99.4%）、87.1%（95% CI：86.8%～87.4%）、99.8%（95% CI：99.7%～99.8%），见表1，精确率、召回率、F1 分数分别为0.87±0.05、0.95±0.03、0.91±0.03（表2）。冠状动脉造影图像血管分割网络的ROC 曲线见图3，整体血管分割的AUC 为0.987（95% CI：0.987～0.987）。

DNN 对冠状动脉各节段血管的分割效果（表2）：主支血管，包括左主干（LM）、左前降支（LAD）主支、左回旋支（LCX）主支、右冠状动脉（RCA）主支，DNN模型分割的F1 分数分别为0.95±0.06、0.92±0.04、0.91±0.06、0.96±0.02；其对应的分支，包括对角支、LCX 分支（钝缘支、左心室后侧支、中间支）、RCA分支（后降支、后侧支），F1 分数分别为0.87±0.06、0.87±0.06、0.85±0.07；主支血管的分割效果（F1 分数）明显优于分支血管（P均＜0.05）。

图2 冠状动脉造影图像血管分割结果

表1 DNN 对冠状动脉造影图像血管分割的效果[%（95%CI）]

表2 DNN 对冠状动脉造影图像各节段血管分割的精确率、召回率及F1 分数（）

表2 DNN 对冠状动脉造影图像各节段血管分割的精确率、召回率及F1 分数（）

注： DNN：深度神经网络；LM：左主干；LAD：左前降支；LCX：左回旋支；RCA：右冠状动脉。F1分数=2×精确率×召回率/ （精确率+召回率）。与对应一级分支血管比较*P＜0.05

图3 深度神经网络对冠状动脉造影图像血管分割结果的ROC 曲线

2.2 DNN 对冠状动脉造影图像血管节段的识别效果

在冠状动脉造影图像血管分割基础上，本研究进一步开发了血管节段识别的算法。冠状动脉节段识别的准确度为98.6%（95%CI：98.6%～98.7%），敏感度、特异度、阳性预测值、阴性预测值分别为85.3%（95%CI：84.9%～85.7%）、99.1%（95%CI：99.1%～99.1%）、76.0%（95%CI：75.5%～76.4%）、99.5%（95%CI：99.5%～99.5%），见表3；精确率、召回率、F1分数分别为0.76±0.08、0.85±0.06、0.80±0.05，见表4。图4 展示了DNN 对冠状动脉血管节段的识别效果，输出结果与专家标注图像具有较高的一致性。

DNN 对冠状动脉各节段的识别效果比较（表4）：LM、LAD、LCX、RCA 节段识别F1 分数分别为0.85±0.12、0.83±0.06、0.81±0.08、0.84±0.06，而对应的一级分支血管，包括对角支、LCX 分支、RCA 分支的F1 分数分别为0.65±0.16、0.72±0.14、0.73±0.12。DNN 对冠状动脉主支血管、近段血管的识别能力（F1 分数）分别优于分支血管和远段血管（P均＜0.05）。

表3 DNN 对冠状动脉造影图像血管节段的识别效果[%(95% CI)]

表4 DNN 对冠状动脉造影图像血管节段识别的精确率、召回率及F1 分数（）

表4 DNN 对冠状动脉造影图像血管节段识别的精确率、召回率及F1 分数（）

注： DNN：深度神经网络；LM：左主干；LAD：左前降支；LCX：左回旋支；RCA：右冠状动脉。F1分数=2×精确率×召回率/ （精确率+召回率）。与对应一级分支血管比较*P＜0.05，与对应远段血管比较△P＜0.05

图4 冠状动脉造影图像血管节段识别结果

2.3 训练数据量对DNN 血管分割效果的影响

DNN 血管分割效果与训练数据量呈正相关。当训练数据量从1 000 张增加到11 900 张时，对应的分割准确度由74.9%上升至99.2%。而且，随着训练数据量增加，网络分割的血管具有更好的连续性和完整性（图5）。

图5 深度神经网络对冠状动脉造影图像血管分割的准确度与训练数据量呈正相关

3 讨论

本研究利用DNN 实现了对冠状动脉造影图像中血管的分割及节段识别，最终DNN 的整体血管分割准确度达99.2%，节段识别准确度达98.6%。由于冠状动脉造影图像的阴性背景象素点明显多于阳性血管点，大量真阴性象素点的存在可能使单纯的准确度不能真正反映DNN 的识别效果。因此，研究进一步采用F1 分数来评价模型，DNN 对冠状动脉造影图像血管分割及节段识别的F1 分数分别为0.91和0.80。以上结果说明，DNN 对冠状动脉造影图像具有较好的血管分割及节段识别能力。

DNN 对不同冠状动脉的识别效果存在差异，对心外膜主支的识别效果优于一级分支血管，对血管近、中段的识别效果优于血管远段，可能的原因有：（1）主支血管直径较大且形态结构更为简单、稳定，网络学习难度小；（2）分支血管易出现重叠，对网络判断血管走势造成干扰；（3）分支和远段血管直径较小，容易与造影背景中的阴影交混。临床上在进行冠状动脉造影诊断时，往往主要关注直径较大的血管，比如SYNTAX 评分只把直径＞1.5 mm 的血管病变纳入计算[11]。因此本研究中常见的细小血管分割错误对于冠状动脉造影的人工智能诊断影响较小。

研究调研了常用的图像分割模型。全卷积网络[12]（fully convolutional network,FCN）能够对图像进行像素级的分类，但其结构简单，对细节信息不敏感；U-Net[13]引入横向相加的结构，将低级特征和高级特征进行拼接，提高特征利用率，但该结构也仅在少数特定数据集上有较高准确度。本研究中的PSPNet 模型，包含了多尺度池化特征向量金字塔和上采样后拼接，通过池化进行维度约减，从而使模型在减少计算量的同时抽取更大范围的特征。金字塔模型将不同级别的上采样特征与原始特征融合在一起，形成全局先验，补充细节信息；之后对PSPNet 进行适应性调整，使其完成血管分割任务，并在此基础上完成血管节段识别任务。

本研究将人工智能技术用于冠状动脉造影图像血管分割和节段识别，为最终实现冠状动脉造影人工智能诊断提供基础。基于目测的冠状动脉造影病变及狭窄程度诊断是目前临床上指导血运重建的主要依据，2017 年美国心脏病学会/美国心脏协会（ACC/AHA）关于稳定性心绞痛患者合理血运重建标准为血管直径狭窄70%以上的病变，或者直径狭窄40%～70%且血流储备分数≤0.8[14]。然而，由于医生个体经验差异，或因时间限制，临床医生目测诊断的准确性存在不足。既往研究表明，医生目测的血管狭窄程度明显大于客观的定量冠状动脉造影分析（QCA）[15]。但准确的QCA 需要经验丰富的专业人员，操作繁琐也会延长手术时间，在临床使用率不高。本研究研发了智能冠状动脉血管分割和节段识别算法，并获得较高准确度。在此基础上，进一步开发管腔直径测量模型，实现人工智能QCA，可为临床医生制定治疗决策提供客观的参考信息。

中国是人口大国，心血管疾病发病率逐年上升，诊疗压力不断增加。随着国家对分级诊疗制度的推进，大量冠心病患者就诊于基层医院，可施行PCI 的医疗机构及介入医师也随之增加。虽然政府在PCI 标准化方面做了相当多的努力，包括对PCI医疗机构及介入医师的资质认定、规范化培训及质量控制等[16]，但医院的介入医疗水平仍存在地域差异[17]。因此，开发一个能推广使用的冠状动脉造影智能诊断系统有利于实现基层医疗机构和三甲医院冠状动脉介入水平的同质化。

本研究存在局限性。首先，DNN 在训练过程中输入的是单帧静态冠状动脉造影图像，其提供的信息有限，尤其是在血管连续性和血管重叠问题上，单帧图像不易区分，造成血管分割错误。后期将继续研发冠状动脉造影视频的血管分割模型、血管树三维重建方法，充分利用前后帧之间的信息及三维信息，解决血管不连续和重叠的问题。此外，DNN训练需要大量的训练数据，数据的缺乏会影响DNN的性能，研究将继续开发数据的半自动标注算法，提高训练数据生成的效率。

总之，本研究显示了DNN 用于冠状动脉造影图像血管分割及节段识别的可行性，并获得了较高的准确度，为将来实现客观、高效的冠状造影人工智能病变诊断提供了基础。

利益冲突：所有作者均声明不存在利益冲突