CT深度学习知多少

大家好，欢迎大家访问XI区！

缺血性心脏病是人类的首位死因。心血管领域的技术进步对CT产生了重大影响。在心血管成像技术发展的同时，大量可穿戴设备和智能应用程序产生了大量数据，这些数据将不可避免地与临床管理相结合。同样，电子病历系统背后的技术也在不断发展，能够收集和存储更多的患者信息。由于多个用户界面产生了大量信息，这对任何医护人员来说都可能是祸而不是福。此外，极其复杂的数据也将超越当前统计软件的处理能力。

为了穿越这个复杂的信息迷宫，人工智能（AI）正成为以有临床意义的方式汇总信息的关键所在。人工智能可以解读信息，并带来数据驱动的发现，这是传统统计学通常无法实现的。在人工智能的各种算法中，深度学习最具革命性潜力，是心血管成像领域人工智能的前沿。随着图形处理器（GPU）的快速发展和云技术的出现，极大地推动了深度学习的发展。深度学习可实现成像中的图像分类和分割。

今天我们就聊聊深度学习在CT扫描各方面的作用。

机器学习的类型

人工智能（Artificial intelligence；AI）是一个非常笼统的术语，通常是指使用计算机来模拟智能行为，只需最少的人工干预。此外，人工智能，尤其是深度学习，最近在感知成像数据方面取得了长足进步，使机器能够更好地表示和解释复杂数据。

机器学习（Machine learning；ML）包含多种算法。这些算法大致可分为监督学习（supervised learning）、无监督学习（unsupervised learning）、半监督学习（semi-supervised learning）和强化学习（reinforcement learning）。监督学习使用数据集中的注释和标签。无监督学习是独立的，不需要数据集中的任何标签或类别。半监督学习利用了监督学习和非监督学习的特性。它可以理解有标签或无标签的数据。强化学习类似于人类心理学，它利用一定的奖励标准使算法独立运行。

目前统计学的一个弱点是预测不是这些计算程序的强项。此外，当前的统计软件无法处理大量或复杂的信息。在这一特殊方面，ML 算法有着显著的不同。这一点尤其适用于深度学习。随着数据量的增大，有助于 ML 算法更好地发挥作用，提高准确性。机器学习可以揭示隐藏的新关系，这是传统统计学无法做到的。

AI、ML与DL的关系

深度学习概述

在目前的各种算法中，深度学习（deep learning；DL）算法最具革命性潜力。从技术上讲，"深度（Deep）"指的是多层分离（multilayered separation）。从信息技术到商业行业，DL 正被广泛应用于人类工业的各个领域。例如，从自动驾驶汽车到某些语音识别软件，都在使用 DL 框架。DL 的结构类似于人类的神经元结构。DL 算法可以在一系列分层中处理和提取信息。事实证明，它是图像分类、语音识别、基因组学和图像分割领域的宝贵财富。

DL 与当代的 ML 算法有很大不同。有监督和无监督学习算法一般需要较长时间的训练和经验才能达到可接受的结果和准确度。要使算法正常运行，可能需要进行大量准备工作。相比之下，深度学习算法的准确性更容易通过增加训练数据集或提高网络容量来提高。它们对领域知识的要求大大降低。

深度学习的架构

深度学习包含大量旨在执行各种算法的算法。在全连接网络（Fully Connected Networks；FNN）中，任何一层中的每个单元都与后一层和前一层中的每个单元相关联。对于深度信念网络（Deep Belief Network；DBN），每一层都包含与前几层单元相对应的统计依赖关系。卷积神经网络（Convolutional Neural Network；CNN）由一个可进行分层特征解释的部分和另一个进行分类或回归的部分组成。自动编码器（Autoencoder；AE）包含编码和解码部分，可将输入连接到输出，从而在数据中提供有价值的属性。递归神经网络（Recurrent Neural Network；RNN）通过反馈回路利用内部状态来理解输入。在 RNN 中，长短期记忆（Long Short Term Memory）和门控循环单元（Gate Recurrent Unit；GRU）是常用的算法。

在 DL 算法中，CNN 经常用于心血管成像。CNN 在通过卷积层检查数据时优先考虑特征优化。分类层位于 CNN 的最后一层。此外，卷积层还能根据各种参数生成特征图。Visual Geometry Group（VGC）是一种深度较小的简单 CNN 框架。GoogleNet和 ResNET具有类似 CNN 的多层复杂结构。

堆叠去噪 AE（stacked Denoised AE） 是一种常用的 AE 算法。这种算法可以从损坏的输入创建干净的输入。U-net 是另一种类似 AE 的框架，可以将编码器和解码器的层关联起来。U-net 在心脏病学的图像分割中发挥着重要作用。

CT扫描与机器学习之间的新兴关系

CAD 是导致人类死亡的主要原因。心脏 CT 是一种无创的评估 CAD 的成熟模式。心脏 CT 可显示冠状动脉树中动脉粥样硬化的程度。随着 CTA 的出现，它迅速改变了 CAD 评估的诊断模式。心脏 CTA 的阴性预测值接近 100%，敏感性和特异性分别达到 98% 和 89%。毫无疑问，心脏 CT 可以可靠地排除疑似病例中的 CAD。因此，在临床或急诊环境中，心脏 CT 已被纳入许多阻塞性 CAD 患者的诊断算法。

从动脉粥样硬化斑块的水平到各种冠状动脉病变的功能评估，心脏 CT 可提供 CAD 的全面描述。许多著名学会都坚决主张将心脏 CT 作为疑似 CAD 的一线选择。随着该技术的不断发展壮大，将有大量新参数涌入。这些新参数可提供更多信息，但意义不大。心血管界对 ML 算法与心脏 CT 及其他成像模式的整合越来越感兴趣。ML 算法可简化临床工作流程，有助于为临床决策提供更多时间。它们可以执行琐碎的任务，帮助以对临床有意义的方式分析医疗信息。ML 算法与心脏 CT 的整合将为心血管成像的精准医疗铺平道路。

深度学习在冠状动脉钙化评估中的作用

冠状动脉钙化（CAC）评估是冠状动脉 CT 的一个重要方面。CAC 评分有助于评估动脉粥样硬化疾病的程度，是心血管风险分层的重要参数。CAC 升高与存在阻塞性 CAD 之间存在内在联系。许多研究探索了深度学习在心脏 CT 中对 CAC 的作用。

Lessman 等人利用 CNN 框架来评估 CAC。CNN 算法在心脏周围创建了一个边界框。该边界框与 Hounsfield 单位相对应。如果患者的 Hounsfield 单位超过了一定的阈值，就会被认为是心脏 CT CAC 的候选者。根据这一评分，患者被分为五个风险类别。同样，Lessman 等人利用 CNN 算法识别低剂量 CT 中的钙化。Wolternick 等人评估了无需提取冠状动脉的多层 CNN 架构在测量 CAC 方面的作用。CNN 算法在多个平面上创建了一个围绕心脏的边界框，另一个 CNN 同时检测 CAC。该算法获得了 0.95 的高相关系数。

Cano-Espinosa 等人创建了一种 CNN 算法，可在 5973 张 CT 图像中自动生成 CAC 的 Agaston 评分。Cano-Espinosa 等人的皮尔逊相关系数达到了 0.932。Santini 等人使用多层 CNN 算法对不同 CT 容量的冠状动脉病变进行分类。他们的 CNN 算法能够显示出 0.983 的皮尔逊相关性。

深度学习在CT扫描图像分割中的作用

心脏 CT 在临床实践中的主要用途之一是分割各种心脏结构。心脏 CT 和 CTA 需要对结构进行手动分割，这可能会耗费大量时间，并可能减少临床管理时间。自动深度学习算法尤其有助于产生快速可靠的结果。它可以在不久的将来为自动分割搭建平台。

Liu 等人利用多层 FCN 对三维 CT 容量的左心房进行自动分割。作者进一步改进了算法，使 Dice 指数达到 93%。Hong 等人评估了一种 DBN 算法，用于根据 CT 对腹主动脉瘤进行分割和分类。López-Linares 等人探索了 CNN 框架在评估主动脉血栓方面的潜力。他们对术前和术后成像进行了自动分割。Jin 等人应用 CNN 算法自动分割左心房附壁，以通过 CTA 诊断心房颤动。与人工标注相比，平均 Dice 重叠率为 94.76%，平均体积重叠率为 91.10%。每个容积的计算时间不到 40 秒。Dormer 等人使用 CNN 算法对心脏进行了完整分割，总体准确率为 87.2% ± 3.3%，总体腔室准确率为 85.6 ± 6.1%。

Baskaran 等人探索了深度学习在 CT 上自动分割心脏结构的潜力。他们使用 U-Net 深度学习算法自动分割了 10 个结构，其中包括心脏左右两侧的各种结构以及大血管。总体 Dice 得分为 0.932，不同子集的结果一致。引人注目的是，每个病例的自动分割平均耗时 440 秒，与人工分割的 5 个小时形成了鲜明对比。

深度学习在CT扫描检测心脏结构中的作用

心脏 CT 广泛用于识别和检测各种结构。通过适当的训练，深度学习算法可在这一过程中为医生提供极大的帮助。De Vos 等人利用 CNN 算法在 CT 切片生成的二维图像中识别心脏和主动脉区域，并在三维图像中找到相应区域。该算法会在三维 CT 中检测到这些区域，并在检测结果周围放置一个三维边界框。Moradi 等人评估了 CNN 算法在帮助自动分割和解剖识别方面的作用。他们将 CT 中显示的各种身体区域分为九类，每一类代表一种疾病或主要心血管特征的相关区域。CNN 算法能够设计出与相应 CT 切片和相关层面相对应的示意图。Moradi 等人的报告显示，在将 CT 图像匹配到相对较窄的解剖窗口时，边距 0 和边距 1 的准确率分别为 91.7% 和 98.8%。Zreik 等人应用 CNN 算法从 60 名患者的 CTA 扫描图像中自动分割左心室。左心室体素分类是通过左心室周围的边界框进行的。该算法的 Dice 指数为 0.85，平均绝对表面距离为 1.1 cm。

最近，Baskaran 等人探索了深度学习算法在从 CTA 中识别和量化心血管结构中的作用。他们利用 U-Net 架构对 166 名接受 CTA 的患者进行了左心室容积、左心房容积、右心室容积、右心房容积和左心室心肌质量的评估。综合 Dice 得分为 0.9246。在左心室容积（r=0.98）、右心室容积（r=0.97）、左心房容积（r=0.78）、右心房容积（r=0.97）和左室心肌质量（r=0.94）方面，深度学习架构与人工标注的相关性具有统计学意义（p<.05）。

深度学习在CT扫描各方面的作用

Zreik 等人采用 CNN 算法在 CTA 中自动检测 166 名患者的冠状动脉狭窄情况。在有创分数血流储备方面，该网络产生的 c 统计量为 0.74 ± 0.02，特异性分别为 77%、71% 和 59%，灵敏度分别为 60%、70% 和 80%。Motwani 将 DL 算法应用于 10,300 名疑似 CAD 患者的 CTA，以预测五年全因死亡率。有趣的是，与弗雷明汉风险评分（0.79 vs 0.61）或 CTA 严重程度评分（0.79 vs SSS 0.64、SIS 0.64、DI 0.62）相比，ML 框架在预测全因死亡率方面显示出更高的曲线下面积（p<.0001）。Commanduer 等人利用 CNN 算法评估 CT 中的心外膜脂肪组织。Gulsun 等人评估了 CNN 算法在提取 CT 中血管中心线方面的作用。

深度学习的陷阱

尽管深度学习的早期成果似乎很有希望，但仍存在许多重大问题。

深度学习的 "黑盒子 "性质不易理解，临床解释起来可能比较困难。人们提出了许多方法来提高可解释性，但这可能需要更高的成本或更大的数据量。另一个常见的问题是过度拟合。如果数据样本较小或算法过于复杂，就会出现这种情况。算法的选择取决于分析目的和数据规模。深度学习还可能涉及一些道德问题，如研究结果的偏差或无意操纵。在不同的学术机构使用相同的深度学习算法时，需要保持结果的一致性。使用相同算法，不同中心的结果可能会有所不同。深度学习算法没有标准化。之前的大多数研究都用 C 统计量和接收者工作曲线下面积来比较深度学习的结果。C 统计量没有明确的分界线。虽然这种方法很有效，但要真正评估深度学习的结果，还需要使用其他统计指标。

深度学习的潜力

CT 和 CTA 在阻塞性 CAD 和其他心血管疾病的现代治疗中发挥着不可或缺的作用。虽然众多技术进步在 CT 领域取得了长足进步，但人们对临床实践中多种参数和设置的整合越来越关注。在当前的临床医疗时代，医生每天都面临着前所未有的工作要求和严格的时间限制。对于每一位患者，心脏科医生都必须获取多种图像、进行处理、执行从简单到复杂的测量、解释图像并最终撰写报告。这可能会导致过度疲劳、注意力下降和记忆力减退，从而导致研究结果的多种不一致。众所周知，人工操作会造成观察者之间的巨大差异和可重复性降低。随着技术的不断发展和成像数据复杂性的增加，这些趋势很可能会进一步恶化。

深度学习提供了无限的机会，为 CT 领域开辟了新的前沿。与 ML 同类算法不同，深度学习通过层级结构处理信息。随着数据集的增大，深度学习的性能呈指数级增长。此外，深度学习可以在没有任何先验信息的情况下处理大量原始图像。该算法可以从复杂的数据中提取信息，并进行非常准确的预测。深度学习可以自动执行一些基本任务，加快一些临床流程。通过充分的训练，深度学习可以显示出极大的准确性，并与人工计算高度相关。

必须强调的是，深度学习不会取代任何医护人员，而是任何医生的宝贵延伸。深度学习算法可以大大增强临床工作流程，因为它们可以作为额外的阅读器。此外，这些算法还能分割结构并识别形态的异常变化。这可以大大改善临床解读，提高研究结果的可重复性。这可以减少处理图像所需的工作量和时间。可以将更多的时间用于临床护理。同时，这并不意味着医生的责任减轻，而是必须对检查结果保持认识和警惕。医生需要持续监控这些算法的输出结果，并确定其临床相关性。

在深度学习中，还有一些其他算法具有巨大的潜力。其中包括通用逆向网络（GAN）。通用逆向网络具有区分虚假图像和真实图像的潜力。它有两个生成器，分别生成真实和虚假图像。它已被用于静脉内超声波检查，但在计算机断层扫描中还未得到充分利用。另一种深度学习算法是胶囊网络，与传统的 CNN 算法相比，它的训练要求更低。胶囊网络的解释能力更接近人类感知。它更多地用于脑肿瘤和乳腺癌分类。

要想让深度学习在 CT 或其他心血管成像领域蓬勃发展，可能需要一种通用的数据标准化标准。每个医疗中心都有自己独特的分类、协议和采集方法。如果能开发出一种通用的方法或途径，就能促进深度学习和其他 ML 方法的发展。由于深度学习需要大量数据，因此各机构之间需要某种形式的数据共享。由于法规和多个机构审查委员会的参与，这个过程可能过于耗时和繁琐。数据需要公开，以促进这些复杂框架的培训。最后，为了传播临床知识，学术中心之间需要某种形式的代码共享。由于编码结构的不同，结果可能会出现一些差异。克服这些影响算法性能的微小差异，可以提高结果的一致性，从而有利于临床治疗。

结论

深度学习不是 "如果 "或 "如何 "的问题，而是 CT 和心血管成像领域最终不可避免的问题。在这个充满活力的大数据和收集时代，要想在医学领域采用深度学习，必须改变原有的信念和观点。发现需要数据驱动，患者护理才能繁荣。害怕改变是人类的本能，但科学进步的基础是探索新的可能性。深度学习可以快速自动化和执行各种任务，从而极大地帮助心血管成像。这可以提高医学推理能力，帮助新晋医生。与此同时，还必须解决一些法律、伦理和社会问题。深度学习正在人与机器之间架起一座桥梁，它将把临床医疗推向新的高度。

更多干货，关注XI区！

参考文献：

Kalmet PHS, Sanduleanu S, Primakov S, Wu G, Jochems A, Refaee T, Ibrahim A, Hulst LV, Lambin P, Poeze M. Deep learning in fracture detection: a narrative review. Acta Orthop. 2020 Apr;91(2):215-220. doi: 10.1080/17453674.2019.1711323. Epub 2020 Jan 13. Update in: Acta Orthop. 2020 Jun;91(3):362.

Garg Y, Seetharam K, Sharma M, Rohita DK, Nabi W. Role of Deep Learning in Computed Tomography. Cureus. 2023 May 17;15(5):e39160. doi: 10.7759/cureus.39160.

仅供专业人士交流目的，不用于商业用途。

2023年9月22日