彭新壹，余佳强，刘玉凯，张 健，余 东

随着人口老龄化， 脑卒中患者呈逐年上升趋势。其中急性缺血性脑卒中约占全部卒中患者69.6%～70.8%， 是威胁中老年人群生命健康的常见疾病之一[1]。 头颈部计算机体层血管成像（computed tomography angiography，CTA）是评价脑卒中患者脑血管情况的重要手段，它有着快捷、安全、无创等优点，可以精确观察病变血管狭窄的程度，评估侧支循环，还能对斑块性质进行评估，并使用多样化的图像后处理技术为患者动静脉溶栓及介入取栓治疗提供较大帮助，可明显改善患者预后，降低致死致残率[2~4]。 然而头颈部CTA 图像后处理， 需要放射科医生或技师花费大量的时间及精力进行，极易造成患者治疗延误。 因此需要一个数字化、智能化、快速、准确的软件来解决这个问题，为患者争取更快的治疗时间。近年来，人工智能（artificial intelligence，AI）广泛应用于医学领域，特别是“深度学习”及“图像分割”，主要通过对经典卷积神经网络模型算法的改进可以在医学影像图像上对一些复杂的解剖结构达到很好的分割效果[5，6]。笔者旨在对比人工手动处理和AI 软件的图像质量及时效性，为临床研究提供参考。

1 资料与方法

1.1 临床资料

选择2021 年6 月至2022 年6 月在乐山市人民医院“脑卒中”绿色通道收治的60 例患者，其中男性38 例，女性22 例；年龄46 ～92 岁，平均年龄68.26 岁（标准差5.25 岁）；单侧肢体无力19 例（31.67%），口角歪斜14 例（23.33 %），语言不清13 例（21.67 %），昏迷8 例（13.33%），肢体运动不协调6 例（10.00%）。所有患者原始图像质量均达到诊断标准。排除由于自身原因或设备因素导致原始图像质量差的患者。患者或其家属均签署CTA 检查知情同意书， 并通过医院伦理委员会审核。

1.2 方法

1.2.1 CT 检查

采用荷兰飞利浦64 排128 层 （Philips 64 Brilliance）螺旋CT 机。 患者选取仰卧位，右侧肘静脉穿刺放置18 号耐高压留置针， 扫描范围由主动脉弓层面扫至颅顶。 扫描参数：管电压120 kV，自动mAs，层厚1 mm，层间距1 mm，螺距0.798，球管转速0.5 s，准直器为64 × 0.625，采用Santander 算法重建。 经右肘静脉使用高压注射器注入碘对比剂碘美普尔（400 mg/mL），流速5 ～6 mL/s，随后以同等速率注入0.9%氯化钠溶液（生理盐水）30 ～40 mL，监测点置于主动脉弓层面，采用团注追踪法，阈值设为100 HU。图像分别传输至星云工作站及AI 处理软件（数坤科技，中国）。

1.2.2图像后处理

将原始图像传输至星云工作站，采用头颈部CTA专用后处理软件， 由两名高年资医师分别应用AI 重建和手动重建对患者图像进行后处理（按照脑卒中绿色通道流程20 min 内需出具图像及报告，两组后处理结果由两名副主任医师进行评判，选取质量优秀的数据入组）。处理流程为：加载图像→选择软件→头颈部血管识别及去骨→血管命名→清除残留及修正血管→容积再现（volume rendering，VR）图像保存→最大密度投影（maximum intensity projection，MIP）图像保存→曲面重建（curved plannar reconstruction，CPR）图像保存→胶片打印→传输影像归档与通信系统（picture archiving and communication system，PACS）。

1.2.3 观察指标与评价标准

（1）VR 评分标准。3 分：血管勾画良好，正常血管无中断，血管侧支循环显示良好，血管图像清晰，病变血管显示良好，无识别错误血管。2 分：正常血管部分中断，血管侧支循环显示良好，残留较少。 1 分：全血管中断，侧支循环显示不良和较多残留，血管识别错误。

（2）MIP 评分标准。 3 分：无分割误差和良好的血管壁呈现。 2 分：中度骨残流但不影响观察血管壁钙化。 1 分：严重骨残流，影响血管观察。

（3）CPR 评分标准。3 分：良好的血管绘制没有中断，识别血管正确，没有遗漏。2 分：正常血管勾画，部分中断，识别血管正确，无遗漏。 1 分：整个血管中断显示不佳，识别错误血管[7]。

（4）图像后处理时效，比较AI 处理和手动处理图像的时效。

1.3 统计学方法

采用软件SPSS 26.0 对数据进行统计分析。 计数资料以例数（%）表示，组间比较采用卡方检验（Fisher精确卡方检验）。 计量资料以均数± 标准差表示，组间比较应用配对t 检验。 P<0.05 为差异有统计学意义。

2 结果

2.1 图像后处理评价

由两名主治医师对图像进行主观评分（图1）。AI重组VR 图像3 分为45 例 （75.0 %），2 分为14 例（23.3%），1 分为1 例（1.7%）。 手动VR 图像3 分为48 例 （80.0%），2 分为12 例 （20.0%），1 分为0 例（0.0%）。 两种方法VR 图像比较，差异无统计学意义（χ2=1.251，P=0.535）。

图1 AI 和手动处理的头颈部CTA 图像Fig.1 CTA images of AI and manually processed cranio-cervical

AI 重组MIP 图像3 分为46 例（76.7%），2 分为14 例（23.3%），1 分为0 例（0.0%）。 手动3 分为49例（81.7%），2 分为11 例（18.3%），1 分为0 例（0.0%）。两种方法MIP 图像比较， 差异无统计学意义 （χ2=0.455，P=0.500）。

AI 重组CPR 图像3 分为55 例（91.7%），2 分为5例（8.3 %），1 分为0 例（0.0 %）。手动3 分为57 例（95.0 %），2 分为3 例（5.0%），1 分为0 例（0.0%）。 两种方法CPR图像比较，差异无统计学意义（χ2=0.134，P=0.714）。

2.2 图像后处理的时效对比

AI 在接收到原始图像后，通过自动分割、计算的过程所需要的时间为（2.33 ±0.15）min；高年资医师手动处理图像的时间为（12.33±2.30）min；AI 的处理时间明显低于手动处理时间（t=33.607，P<0.001）。采用AI 方式节省约10 min，评价时间增益率为83.3%。

3 讨论

近年来，随着人们健康知识的提高和各卫生行政管理部门的重视，全国各级医疗单位构建了脑卒中中心，并建立绿色通道，让患者可以更快速地接受治疗，大大减少了致残、致死率。头颈CTA 可以快速、无创、安全判断患者头颈部血管的梗塞情况，为介入治疗提供有价值的信息，在脑卒中患者检查方案中起着举足轻重的作用[8]。 随着计算机硬件及软件技术的不断提高，AI 作为近年较为新颖的技术逐渐应用于医学影像学检查， 并涉及CT、X 射线、MRI 等多种医学影像类学科。 CTA 专门后处理软件基于AI 技术，采用基于3D ResU-net 的深度神经网络对头颈部血管进行分割提取。 经过该网络的预测，软件可以精确分割出头颈部的动脉血管，在血管分割的基础之上，通过基于3D 图像的骨架化算法对血管的中心线进行提取，并利用解剖结构特征进行血管的分段命名，在此基础之上，对血管的提取结果在血管区域利用原始CT 值进行VR 成像和MIP 成像；同时利用原始图像和中心线，通过曲面投影法，可以自动得到CPR 图像[3，9，10]。目前已有大量研究证明，应用对CT 图像进行分类及筛选的辅助诊断软件可为临床提供有价值的参考信息[5，11]。

AI 对头颈部CTA 的后处理是通过对经典卷积神经网络模型，在CT 图像上对一些复杂的结构进行精确的分割提取[12]。 该深度神经网络基于3D ResUnet 结构。 在利用了大量的人工标注结果训练出该网络模型后，该模型在系统中可以对原始图像进行预测计算，得到所需要的血管结果[13]。 其中VR 图像主要是反映血管空间解剖结构及观察颈动脉、颅内动脉及其侧支循环的情况并寻找到堵塞管或可疑病变，为需要接受介入治疗的患者选取手术路径。MIP 算法对钙化和血管可产生较大的对比度，可以很好地显示血管壁钙化斑块。

笔者研究结果显示，AI 后处理对比人工后处理图像质量差异无统计学意义，60 例患者中可见VR图像评价3 分图像为AI/手动，分别为75.0%、80.0%；MIP 图像评价3 分图像为AI/手动， 分别为76.7%、81.7%；CPR 评价3 分图像为AI/手动，分别为91.7%、95.0%。 AI 处理它不仅节约了医疗资源，也大大提高了时效性，还可降低医生的主观偏差。 时效性对比可见，手动处理时间为（12.33 ±2.3）min，而AI 时间仅为（2.33±0.15）min，与手动处理比较，AI 处理可以更快地让医生判断是否进行介入治疗，为患者争取更多的时间。 梁奕等[14]研究发现，AI 重建的图像具有较低的噪声，较高的信噪比和图像质量评分，且重建速度快，图像质量满足诊断要求，笔者研究结果与此一致，但该研究并未对各种后处理的图像进行量化对比分析。AI 处理也存在不足之处，特别是对某些血管与组织CT 值相近且关系较邻近时，VR 会存在去骨不完整，造成血管壁上出现高密度组织的情况，这表明AI 对模型训练程度还不够高， 后期需要进一步增大AI 学习数据库， 并进行多中心的不同设备及医师的验证。

笔者研究虽然AI 相较于手动图像质量相当，且AI 后处理图像时效性更好。 但学习和验证的数据量还不够大，缺乏多中心数据验证，缺乏一定的前瞻性和对系统进行更深度的学习和验证，以评估对临床的应用价值。