動(dòng)脈粥樣硬化引起的易損斑塊破裂已經(jīng)嚴(yán)重危害到人類的健康，而血管內(nèi)光學(xué)相干斷層成像（IVOCT）憑借其高分辨率已經(jīng)成為識(shí)別冠脈易損斑塊的主要工具，但圖像判讀費(fèi)時(shí)費(fèi)力，通常還依賴于醫(yī)生的經(jīng)驗(yàn)。

目前已有基于傳統(tǒng)機(jī)器學(xué)習(xí)的研究實(shí)現(xiàn)了對(duì)單幀圖像的分類，但這些信息不足以輔助醫(yī)生確定治療方案，仍然需要醫(yī)生二次判讀。

研究背景
急性冠脈綜合征（ACS）是極具危險(xiǎn)性的心血管疾病，其致死率和致殘率頗高。近70%的ACS是由冠狀動(dòng)脈粥樣硬化引發(fā)的易損斑塊破裂所導(dǎo)致。動(dòng)脈粥樣硬化是血管壁中多種物質(zhì)積聚沉積形成粥樣斑塊的過程，隨著斑塊發(fā)展，易損斑塊形成，其破裂會(huì)造成嚴(yán)重后果。

血管內(nèi)光學(xué)相干斷層成像（IVOCT）分辨率高（10-20μm），能夠準(zhǔn)確識(shí)別薄帽纖維粥樣（TCFA）斑塊等易損斑塊特征，已逐漸成為診斷易損斑塊的金標(biāo)準(zhǔn)。然而，在實(shí)際應(yīng)用中，醫(yī)生手動(dòng)在圖像中標(biāo)注斑塊位置時(shí)，不可避免地會(huì)受到主觀判斷的影響，導(dǎo)致診斷結(jié)果存在一定偏差。而且一次回撤會(huì)產(chǎn)生數(shù)百張IVOCT腔內(nèi)截面圖像，手動(dòng)判讀極為耗時(shí)費(fèi)力，嚴(yán)重影響了對(duì)易損斑塊的診斷速度和精度。

深度學(xué)習(xí)技術(shù)已應(yīng)用于斑塊分類和檢測(cè)，但現(xiàn)有算法如使用U型編碼器-解碼器結(jié)構(gòu)或基于多任務(wù)深度卷積神經(jīng)網(wǎng)絡(luò)的算法，只能提供目標(biāo)斑塊的位置信息，其破裂風(fēng)險(xiǎn)及對(duì)應(yīng)的治療方案仍完全依賴于醫(yī)生的主觀經(jīng)驗(yàn)。由于IVOCT分辨率無法達(dá)分子水平，圖像僅能表征易損斑塊結(jié)構(gòu)特征，因此開發(fā)計(jì)算機(jī)輔助診斷（CAD）系統(tǒng)對(duì)于量化評(píng)估易損斑塊破裂風(fēng)險(xiǎn)、規(guī)范治療措施和減輕醫(yī)生負(fù)擔(dān)至關(guān)重要。

研究方法
一、IVOCT圖像處理流程
1、圖像預(yù)處理
第一步是將原始的IVOCT圖像轉(zhuǎn)換為極坐標(biāo)下的灰度圖像。在常規(guī)的IVOCT圖像中，為了便于觀察，通常會(huì)進(jìn)行偽彩色處理，但這種偽彩色處理后的顏色通道并不包含任何病理信息。將圖像轉(zhuǎn)換為極坐標(biāo)下的灰度圖像有助于后續(xù)對(duì)斑塊特征的分析和處理，能夠更好地突出斑塊的形態(tài)、位置等信息，為準(zhǔn)確識(shí)別易損斑塊奠定基礎(chǔ)。

2、易損斑塊定位
在極坐標(biāo)下的灰度圖像中檢測(cè)易損斑塊的位置，并在圖像中輸出預(yù)測(cè)框（BBox）。這一步驟是整個(gè)算法的關(guān)鍵環(huán)節(jié)之一，通過特定的算法和模型，對(duì)圖像中的易損斑塊進(jìn)行定位，確定其在圖像中的大致范圍，為后續(xù)的風(fēng)險(xiǎn)評(píng)估提供基礎(chǔ)。

3、破裂風(fēng)險(xiǎn)評(píng)估
對(duì)自動(dòng)定位后的斑塊進(jìn)行破裂風(fēng)險(xiǎn)評(píng)估。根據(jù)易損斑塊的多種特征，如病變累積角度、纖維帽厚度、巨噬細(xì)胞浸潤情況、淺表微鈣化情況和血管狹窄程度等，綜合分析判斷斑塊破裂的風(fēng)險(xiǎn)程度。這些特征相互關(guān)聯(lián)，共同影響著斑塊的穩(wěn)定性和破裂風(fēng)險(xiǎn)，通過對(duì)它們的量化評(píng)估，可以更全面地了解斑塊的狀態(tài)。

4、模型測(cè)試與結(jié)果輸出
最后，對(duì)斑塊的定位方法和風(fēng)險(xiǎn)評(píng)估方法進(jìn)行測(cè)試，并輸出相應(yīng)的指標(biāo)。通過在測(cè)試數(shù)據(jù)集上的驗(yàn)證，評(píng)估算法的準(zhǔn)確性、可靠性和有效性，為算法的優(yōu)化和改進(jìn)提供依據(jù)，同時(shí)也為臨床應(yīng)用提供參考。

二、易損斑塊識(shí)別
1、基于Faster R-CNN的改進(jìn)策略

• 選擇Faster R-CNN作為基線方法，根據(jù)IVOCT圖像特點(diǎn)進(jìn)行改進(jìn)。
• 采用循環(huán)移位增強(qiáng)數(shù)據(jù)，通過在圖像尾端選擇隨機(jī)數(shù)目的A-Scan并移動(dòng)到最左側(cè)，使易損斑塊區(qū)域完整，增加斑塊水平位置多樣性，讓網(wǎng)絡(luò)學(xué)習(xí)到圖像首尾兩端空間聯(lián)系。
• 改變?cè)�始網(wǎng)絡(luò)中的BBox編碼結(jié)構(gòu)，使用(X,W)編碼，去除冗余縱坐標(biāo)信息，提高網(wǎng)絡(luò)處理速度。
• 引入額外語義分割頭，借鑒多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（MTCNN）設(shè)計(jì)，采用UNet結(jié)構(gòu)輸出A-Scan分類結(jié)果，實(shí)現(xiàn)對(duì)易損斑塊的定位和A-Scan分類。網(wǎng)絡(luò)總損失由區(qū)域提取、二次檢測(cè)和單個(gè)A-Scan分類頭三部分平均權(quán)重組成。

2、網(wǎng)絡(luò)結(jié)構(gòu)與模塊功能

• 特征提取模塊：選用ResNet18作為主干網(wǎng)絡(luò)，其包含四組堆疊殘差塊，對(duì)輸入圖像逐層運(yùn)算提取高級(jí)語義信息并壓縮特征圖大小，同時(shí)使用特征金字塔結(jié)構(gòu)保留底層紋理特征。

• 區(qū)域提取模塊：由區(qū)域建議網(wǎng)絡(luò)（RPN）負(fù)責(zé)在特征圖中選擇可能的候選區(qū)域，通過在特征圖上滑動(dòng)卷積窗，RPN對(duì)每個(gè)特征點(diǎn)輸出分類和坐標(biāo)回歸輸出，經(jīng)非極大值抑制（NMS）去除重疊率過高的Anchor得到候選區(qū)域。

• 二次檢測(cè)模塊：從候選區(qū)域中進(jìn)一步過濾出正確區(qū)域，使用感興趣區(qū)域（ROI）池化技術(shù)將不同區(qū)域特征映射為相同大小特征圖，其原理與RPN相同，最后通過NMS去除重疊率過高的Anchor，因一幅IVOCT圖像中易損斑塊區(qū)域較少，只保留得分最高的5個(gè)邊框作為最終定位輸出結(jié)果。

• A-Scan分類模塊：將圖像每列像素視為單條A-Scan，落在標(biāo)注區(qū)域內(nèi)為陽性樣本，外為陰性樣本，得到A-Scan級(jí)分類標(biāo)簽。對(duì)整張圖像所有A-Scan分類，采用UNet結(jié)構(gòu)輸出結(jié)果，通過反卷積、拼接操作融合特征，最后經(jīng)卷積層判斷A-Scan是否為陽性。

• 血管狹窄程度：用光學(xué)血流分?jǐn)?shù)（OFR）表征，基于IVOCT圖像計(jì)算病變處管腔橫截面積與遠(yuǎn)端無狹窄病變處橫截面積之比。采用DeepLabV3+算法計(jì)算管腔面積，先對(duì)圖像進(jìn)行分割得到管腔掩模，經(jīng)形態(tài)學(xué)開閉操作消除噪聲后計(jì)數(shù)像素個(gè)數(shù)，結(jié)合圖像比例尺度計(jì)算管腔面積。
• 纖維帽厚度：纖維帽成分對(duì)近紅外光反射系數(shù)大，圖像中較亮，可通過亮度閾值區(qū)分。設(shè)計(jì)自適應(yīng)亮度閾值選擇方法，利用斑塊位置和空腔掩模信息去除空腔噪聲，對(duì)斑塊表面像素處理確定纖維帽厚度范圍，計(jì)算亮度閾值，將超過閾值像素定義為纖維帽區(qū)域，計(jì)算平均和最薄纖維帽厚度。
• 病變累積角度：在極坐標(biāo)系下，用斑塊區(qū)域?qū)挾群饬�，即病變累積角度，其計(jì)算與區(qū)域定位準(zhǔn)確性相關(guān)。
• 淺表微鈣化和巨噬細(xì)胞浸潤：采用圖像特征抽取再分類方式評(píng)估。特征包括由訓(xùn)練好的斑塊檢測(cè)網(wǎng)絡(luò)的ResNet18提取的頂層特征（經(jīng)全局平均池化得到一維特征向量，訓(xùn)練中凍結(jié)參數(shù)）和結(jié)合先驗(yàn)知識(shí)用梯度方向直方圖（HOG）抽取的特征（采用自適應(yīng)窗口滑動(dòng)步進(jìn)，選擇斑塊上部特定深度區(qū)域，經(jīng)特定檢測(cè)窗口滑動(dòng)采樣得到固定長度特征向量），將兩者拼接后經(jīng)全連通層映射到分類輸出，分別對(duì)應(yīng)淺表微鈣化和巨噬細(xì)胞浸潤概率。

結(jié)果與討論
一、實(shí)驗(yàn)數(shù)據(jù)集與環(huán)境
本研究使用的數(shù)據(jù)集為CCCV2017 IVOCT數(shù)據(jù)集，該數(shù)據(jù)集由中國科學(xué)院西安光學(xué)精密機(jī)械研究所提供，專門用于檢測(cè)IVOCT圖像中的薄纖維帽脂質(zhì)斑塊。

數(shù)據(jù)集分為訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù)兩部分，其中訓(xùn)練集數(shù)據(jù)包含2000張圖片，測(cè)試集數(shù)據(jù)包含300張圖片，兩部分?jǐn)?shù)據(jù)中均包含有易損斑塊的陽性樣本和沒有易損斑塊的陰性樣本。對(duì)于單個(gè)陽性樣本，數(shù)據(jù)集為，斑塊的BBox標(biāo)記為和，即左右邊界。實(shí)驗(yàn)?zāi)Ｐ瓦\(yùn)行在Linux上的Ubuntu 18.0.4操作系統(tǒng)環(huán)境下，并使用RTX 3090 GPU進(jìn)行加速計(jì)算，以提高算法的訓(xùn)練和測(cè)試效率。

從訓(xùn)練曲線來看，在70個(gè)回合后網(wǎng)絡(luò)性能趨于穩(wěn)定，并在最高點(diǎn)附近振蕩，因此將訓(xùn)練回合數(shù)設(shè)置為70。由于學(xué)習(xí)率呈梯度下降，前40回合將其設(shè)置為0.01，這樣可以幫助網(wǎng)絡(luò)快速收斂；在第41和61回合，學(xué)習(xí)率衰減為前一回合的十分之一，以逐步達(dá)到最優(yōu)解，同時(shí)穩(wěn)定網(wǎng)絡(luò)。此外，本研究還采用了線性WarmUp策略，使學(xué)習(xí)率在前兩個(gè)訓(xùn)練回合中從0.0001逐漸增長至設(shè)定值0.01。

對(duì)比只加入單項(xiàng)改動(dòng)的結(jié)果，可以發(fā)現(xiàn)隨機(jī)循環(huán)移位增強(qiáng)數(shù)據(jù)法對(duì)網(wǎng)絡(luò)性能的提升最大，這充分說明了先驗(yàn)知識(shí)（關(guān)于圖像血管結(jié)構(gòu)特點(diǎn)的知識(shí)）在改進(jìn)網(wǎng)絡(luò)性能方面的重要性。例如，在實(shí)際的IVOCT圖像中，斑塊位置和血管結(jié)構(gòu)的關(guān)系復(fù)雜多樣，隨機(jī)循環(huán)移位法能夠讓網(wǎng)絡(luò)學(xué)習(xí)到更多不同情況下的圖像特征，從而提高對(duì)易損斑塊的定位能力。

三、易損斑塊破裂風(fēng)險(xiǎn)評(píng)估結(jié)果
1、管腔面積預(yù)測(cè)
在CCCV2017 IVOCT數(shù)據(jù)集中隨機(jī)選擇了300張圖像并標(biāo)注了管腔面積，其中200張作為訓(xùn)練集，100張作為測(cè)試集。為了更直觀地展示管腔面積的空間關(guān)系，標(biāo)記和分割過程均在笛卡兒坐標(biāo)系中進(jìn)行（因?yàn)樵跇O坐標(biāo)系中圖像尺寸為像素點(diǎn)，轉(zhuǎn)換到笛卡兒坐標(biāo)系中為像素點(diǎn)）。分割網(wǎng)絡(luò)的訓(xùn)練優(yōu)化器選擇SGD，學(xué)習(xí)率設(shè)置為0.01。訓(xùn)練回合基于批量（batch）計(jì)數(shù)，總共訓(xùn)練4000個(gè)batch，批量大小設(shè)置為 4。最終管腔面積預(yù)測(cè)的評(píng)估指標(biāo)交并比（IOU）值為 0.9445，網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果顯示紅色掩模區(qū)域幾乎與管腔區(qū)域完全一致。這表明本研究采用的DeepLabV3+算法在計(jì)算管腔面積方面具有較高的準(zhǔn)確性，能夠有效地評(píng)估易損斑塊處血管的狹窄程度，為判斷斑塊破裂風(fēng)險(xiǎn)提供了可靠的依據(jù)。

通過混淆矩陣來顯示模型在預(yù)測(cè)斑塊表面微鈣化和巨噬細(xì)胞浸潤方面的性能。結(jié)果顯示，預(yù)測(cè)微鈣化的準(zhǔn)確率為0.962，召回率為0.862，F(xiàn)1分?jǐn)?shù)為0.909，準(zhǔn)確率為0.932；巨噬細(xì)胞浸潤的準(zhǔn)確率為0.846，召回率為0.917，F(xiàn)1分?jǐn)?shù)為0.880，精密度為0.919。這些指標(biāo)表明模型在預(yù)測(cè)淺表微鈣化和巨噬細(xì)胞浸潤方面具有較高的準(zhǔn)確性，能夠較好地識(shí)別出易損斑塊中的這些特征，從而為全面評(píng)估易損斑塊的破裂風(fēng)險(xiǎn)提供了重要依據(jù)。例如，巨噬細(xì)胞浸潤是斑塊炎癥反應(yīng)的重要標(biāo)志，準(zhǔn)確預(yù)測(cè)其存在情況有助于判斷斑塊的穩(wěn)定性和破裂風(fēng)險(xiǎn)。

結(jié)論與展望
本研究基于臨床診斷共識(shí)提出了一種用于識(shí)別易損斑塊和評(píng)估破裂風(fēng)險(xiǎn)的算法。該算法在準(zhǔn)確定位易損斑塊區(qū)域方面取得了較好的效果，通過對(duì)Faster R-CNN的改進(jìn)，如采用隨機(jī)循環(huán)移位法、簡(jiǎn)化BBox編碼方法和增加語義分割頭，顯著提高了易損斑塊定位精度。同時(shí)，根據(jù)臨床判斷依據(jù)，選取管腔面積、纖維帽厚度、病變累積角度、淺表微鈣化和巨噬細(xì)胞浸潤等因素作為易損斑塊破裂風(fēng)險(xiǎn)的評(píng)估指標(biāo)，建立了相應(yīng)的評(píng)估模型。

實(shí)驗(yàn)結(jié)果表明，所提出的易損斑塊定位算法在各項(xiàng)性能評(píng)價(jià)指標(biāo)方面均優(yōu)于以往研究人員提出的算法。在斑塊識(shí)別方面，改進(jìn)后的網(wǎng)絡(luò)在CCCV2017 IVOCT數(shù)據(jù)集上的測(cè)試中表現(xiàn)出色mAP50和Dice系數(shù)等指標(biāo)有明顯提升，且與其他相關(guān)方法對(duì)比在召回率和Dice系數(shù)上也具有優(yōu)勢(shì)。在易損斑塊破裂風(fēng)險(xiǎn)評(píng)估方面，管腔面積預(yù)測(cè)、纖維帽厚度測(cè)試、病變累積角度評(píng)估以及淺表微鈣化和巨噬細(xì)胞浸潤預(yù)測(cè)等均取得了較為滿意的結(jié)果，各項(xiàng)評(píng)估指標(biāo)驗(yàn)證了方法的可行性和準(zhǔn)確性。

該算法的應(yīng)用將有助于臨床醫(yī)生更準(zhǔn)確地定位易損斑塊位置，更全面地評(píng)估斑塊易損性，從而減少工作量，同時(shí)減少主觀判斷對(duì)診斷結(jié)果的影響。這對(duì)于提高心血管疾病的診斷水平，改善患者的治療效果和預(yù)后具有重要意義。

目前的研究工作主要聚焦于斑塊的檢測(cè)任務(wù)，且使用的數(shù)據(jù)集存在一定局限性，不能保證所有圖像來源于同一病人。后續(xù)工作將結(jié)合IVOCT成像的特性，進(jìn)一步深入研究。一方面，計(jì)劃利用序列圖像學(xué)習(xí)易損斑塊的三維空間特征或相鄰幀的序列特征，從高維度對(duì)斑塊進(jìn)行精細(xì)分割，以更全面、準(zhǔn)確地描述斑塊的形態(tài)和結(jié)構(gòu)。另一方面，將依托臨床平臺(tái)，開展大規(guī)模的臨床研究，探尋易損斑塊的各個(gè)單一風(fēng)險(xiǎn)因素對(duì)總破裂風(fēng)險(xiǎn)的影響，構(gòu)建更加全面、科學(xué)的斑塊破裂風(fēng)險(xiǎn)評(píng)估模型。

未來還將進(jìn)一步對(duì)序列IVOCT圖像數(shù)據(jù)進(jìn)行深入分析，深入研究易損斑塊的破裂機(jī)制。通過對(duì)大量臨床數(shù)據(jù)的挖掘和分析，爭(zhēng)取實(shí)現(xiàn)對(duì)斑塊的自動(dòng)識(shí)別與更精準(zhǔn)的風(fēng)險(xiǎn)評(píng)估。

聲明：本文僅用作學(xué)術(shù)目的。文章來源于：韓澤君, 林興康, 裘耀陽, 張曉, 高磊, 李勤. 基于IVOCT的動(dòng)脈粥樣硬化斑塊識(shí)別與風(fēng)險(xiǎn)評(píng)估[J]. 中國激光, 2024, 51(9): 0907017. Zejun Han, Xingkang Lin, Yaoyang Qiu, Xiao Zhang, Lei Gao, Qin Li. Identification and Risk Assessment of Atherosclerotic Plaques Based on IVOCT[J]. Chinese Journal of Lasers, 2024, 51(9): 0907017.