機器視覺技術(shù)在冠狀動脈造影檢查中的應(yīng)用研究進展

陳珍珍，代國方，李超，耿啟迪

1 河南中醫(yī)藥大學(xué)學(xué)位與研究生教育洛陽工作部，鄭州 450046；2 北京中醫(yī)藥大學(xué)東直門醫(yī)院洛陽醫(yī)院心血管二病區(qū)；3 長安大學(xué)信息工程學(xué)院

冠狀動脈造影是一種較為安全可靠的有創(chuàng)診斷技術(shù)，可以幫助醫(yī)務(wù)工作者評估冠狀動脈的狹窄程度，為后續(xù)治療提供依據(jù)［1-2］。然而，目前冠狀動脈造影有著圖像質(zhì)量較低、工作流程繁瑣等問題［3］。隨著科技技術(shù)的發(fā)展，許多研究人員開始使用機器視覺技術(shù)對當(dāng)前冠狀動脈造影檢查進行優(yōu)化［4］。機器視覺技術(shù)輔助冠狀動脈造影檢查的方法大致分為傳統(tǒng)方法以及基于人工智能的方法［5］。針對冠狀動脈造影圖像中存在大量復(fù)雜噪聲干擾等問題，有研究人員提出使用機器視覺技術(shù)對冠狀動脈造影圖像進行增強處理，加強圖像的細節(jié)信息［6］；針對冠狀動脈造影圖像中血管細節(jié)部分不易與噪聲分離問題，有研究人員提出使用機器視覺技術(shù)對冠狀動脈造影圖像進行血管分割，專注于圖像中血管部分的深層形態(tài)［7］；針對不同醫(yī)務(wù)工作者主觀診斷對后續(xù)治療方案帶來的影響，有研究人員提出使用機器視覺技術(shù)對冠狀動脈造影圖像中血管的狹窄部分進行檢測，并根據(jù)狹窄部位進行狹窄程度判斷［8］?，F(xiàn)就機器視覺技術(shù)在冠狀動脈造影檢查中的應(yīng)用展開綜述，旨在為冠狀動脈病變診斷準(zhǔn)確率以及效率的提升提供參考。

1 機器視覺技術(shù)在冠狀動脈造影圖像增強中的應(yīng)用

冠狀動脈造影成像過程中易受到諸多外部因素的干擾，如造影劑在血管中的分布不受人為控制，可能會使冠狀動脈造影圖像灰度分布不均；心臟部位具有復(fù)雜的冠狀動脈結(jié)構(gòu)，細小的血管不易被醫(yī)生捕捉等。冠狀動脈造影成像過程中會受到噪聲干擾，人體骨骼或者其他組織也會降低圖像的清晰度及對比度。為了提高冠狀動脈造影圖像質(zhì)量，降低上述干擾因素帶來的負面影響，研究人員開始關(guān)注應(yīng)用機器視覺技術(shù)輔助冠狀動脈造影進行圖像增強。

1.1 傳統(tǒng)機器視覺技術(shù) 傳統(tǒng)機器視覺技術(shù)輔助冠狀動脈造影圖像增強的方法有基于形態(tài)學(xué)操作估計血管結(jié)構(gòu)的方法、基于不同濾波器的增強方法、基于Hessian矩陣的增強方法等。

形態(tài)學(xué)方法專注于冠狀動脈造影圖像的血管部分，利用腐蝕、膨脹以及頭帽法等形態(tài)學(xué)算子對冠狀動脈造影圖像中血管部位進行增強，減弱冠狀動脈造影圖像背景，但該方法對于微小血管的增強效果一般［9］。汪維華等［10］將修正后的形態(tài)學(xué)算子連接無監(jiān)督血管捕獲算法標(biāo)記血管，利用形態(tài)學(xué)中的高低帽變換提高了血管部位與背景的對比度，從而提高冠狀動脈造影圖像質(zhì)量?；诓煌瑸V波器的增強方法采用可變方向濾波器進行濾波操作［11］，捕獲全方位的動脈血管，隨后使用小波變換進行圖像特征融合，獲取動脈血管特征信息，最后通過非線性反銳化掩膜操作，多層次增強冠狀動脈造影圖像信息［12］。基于Hessian 矩陣的增強方法通過分析血管的管狀結(jié)構(gòu)，利用Hessian 矩陣特征值構(gòu)造濾波器，從而達到增強冠狀動脈造影血管結(jié)構(gòu)特征的效果［13］。相較于形態(tài)學(xué)方法及基于不同濾波器的增強方法，Hessian 矩陣構(gòu)建的多尺度濾波器可以較好地保留血管邊緣信息，增強細小血管的特征信息，使冠狀動脈以及諸多細小血管的結(jié)構(gòu)更加清晰平滑，提高可視化效果［14］。

1.2 基于人工智能的機器視覺技術(shù) 傳統(tǒng)機器視覺技術(shù)輔助冠狀動脈造影圖像增強通常致力于增強血管的邊緣信息，提高冠狀動脈造影圖像的對比度，弱化外部噪聲帶來的影響，取得了較好的增強效果，但是其僅適用于光照環(huán)境恒定的情況下，適用性較差；且由于其復(fù)雜的計算量，實時性較差［15］。基于此，出現(xiàn)了利用人工智能進行冠狀動脈造影圖像增強的方法。人工智能機器視覺技術(shù)與傳統(tǒng)機器視覺技術(shù)之間的區(qū)別為，傳統(tǒng)機器視覺技術(shù)利用結(jié)構(gòu)化方法的主要思想，各個任務(wù)階段逐步展開；而人工智能機器視覺技術(shù)模仿人體生物學(xué)中事物的認知方法，例如嬰兒在認知過程中首次見到某些事物，人為告知嬰兒該事物的具體信息，循環(huán)往復(fù)該過程，不斷刺激大腦皮層下神經(jīng)元細胞，從而獲得認知事物的能力。計算機通過將實驗集和結(jié)果集送入卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)過大量的訓(xùn)練學(xué)習(xí)，使計算機具備認知事物或者執(zhí)行特定任務(wù)的能力［16］。

通過對比正常光照條件下與低照度環(huán)境下的冠狀動脈造影圖像發(fā)現(xiàn)，低照度環(huán)境下出現(xiàn)對比度下降、局部細節(jié)丟失、圖像灰度分布不均等問題。Retinex-net 神經(jīng)網(wǎng)絡(luò)能夠模擬人類視網(wǎng)膜皮層的成像原理構(gòu)建亮度增強和減少照明的分布式模型，該模型可提高醫(yī)學(xué)圖像對比度，從而增強圖像，但Retinex-net 基礎(chǔ)網(wǎng)絡(luò)的適用環(huán)境較為單一［17］?；诖?，吳培源等［18］提出使用改進Retinex-net 模型的冠狀動脈造影圖像增強技術(shù)，該方法在Retinex-net 神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，結(jié)合暗通道先驗理論提高血管暗區(qū)的亮度，減小明亮區(qū)域?qū)ρ艿母蓴_，修改Retinex-net 網(wǎng)絡(luò)模型中的損失函數(shù)，提高模型真實值與預(yù)測值之間的擬合能力。隨后在Retinex-net網(wǎng)絡(luò)模型基礎(chǔ)上增加反射網(wǎng)絡(luò)，將初步分解處理后的反射圖像進一步增強，較好地解決了圖像灰度分布不均問題。

評價圖像質(zhì)量的指標(biāo)包括對比度、平均梯度、信息熵等［19］。對比度越大，圖像灰度反差越大，合理的對比度值可以增強人體血管邊緣特征信息；平均梯度值越大，反映的詳細級別越高，圖像的清晰度越高；信息熵越大，圖像包含的信息量越大。目前主流的冠狀動脈造影圖像增強方法有Hessian矩陣、基礎(chǔ)Retinex 模型以及改進Retinex-net 模型等，其中改進Retinex-net 模型方法的對比度為5.639 1、平均梯度為12.162 9、信息熵為6.483 9，該方法具有較強的冠狀動脈造影圖像增強能力。

2 機器視覺技術(shù)在冠狀動脈造影血管分割中的應(yīng)用

近年來，冠狀動脈造影的數(shù)據(jù)量增長較快，然而我國相應(yīng)醫(yī)療專業(yè)人員基數(shù)小且增長緩慢。由于醫(yī)務(wù)工作者根據(jù)冠狀動脈造影圖像進行診斷的關(guān)鍵點在于圖像中血管的形態(tài)特征，因此大量研究致力于利用機器視覺技術(shù)輔助冠狀動脈造影進行血管分割，將圖像中血管部分著重標(biāo)注，從而緩解醫(yī)務(wù)工作者的診斷壓力。

2.1 傳統(tǒng)機器視覺技術(shù) 傳統(tǒng)機器視覺技術(shù)主要利用血管圖像區(qū)域間不連續(xù)性和區(qū)域內(nèi)相似性兩個特性輔助冠狀動脈造影進行血管分割，主要的方法有基于邊界、區(qū)域以及特定理論和工具的方法。

基于邊界的血管分割方法中應(yīng)用較為廣泛的是基于模型以及跟蹤的分割算法［20］。基于模型的血管分割算法將冠狀動脈造影圖像區(qū)域的曲線或者曲面分別定義，在外力作用下使其持續(xù)發(fā)生形變，當(dāng)外力與內(nèi)力保持一致時，即可獲得血管邊界信息。YIM等［21］將血管結(jié)構(gòu)數(shù)字化為模型，將冠狀動脈造影圖像區(qū)域的曲線或者曲面作為參數(shù)，把血管管腔看作一系列相互垂直的橢圓結(jié)構(gòu)，通過參數(shù)預(yù)測得到血管模型，但該方法在血管重疊的區(qū)域分割效果一般。DEHMESHKI 等［22］提出了一種時間相關(guān)的水平模型，該模型使用區(qū)域自適應(yīng)分割算法，可以改善冠狀動脈造影圖像中血管裂縫、空洞以及重疊的問題。基于區(qū)域的血管分割方法有聚類、區(qū)域生長以及閾值法等。聚類法將相似像素進行聚類，實現(xiàn)血管分割，常用的聚類方法有K-means、模糊C 均值以及分層聚類等；區(qū)域生長法利用灰度相似性和空間鄰近性實現(xiàn)冠狀動脈造影血管分割；閾值法提取目標(biāo)與周圍背景的閾值差異進行血管分割［23］。基于特定理論的血管分割方法應(yīng)用較為廣泛的是基于形態(tài)學(xué)的方法，該方法利用結(jié)構(gòu)元素對圖像進行操作，使用頭帽法和分水嶺法進行血管分割。

2.2 基于人工智能的機器視覺技術(shù) 隨著計算機視覺技術(shù)的不斷革新，人工智能輔助醫(yī)學(xué)圖像處理取得較大進展。冠狀動脈造影血管分割屬于人工智能中語義分割的范疇，由于卷積神經(jīng)網(wǎng)絡(luò)強大的適用性和非結(jié)構(gòu)化的設(shè)計理念，基于人工智能的冠狀動脈造影血管分割方法相較于傳統(tǒng)方法更為高效。

伯克利等提出的全卷積神經(jīng)網(wǎng)絡(luò)（FCN）開啟了語義分割模型改進的浪潮［24］。利用FCN 進行冠狀動脈造影血管分割需要預(yù)測圖像中的每一個像素，同時能夠解決冠狀動脈造影圖像像素的定位問題，F(xiàn)CN 將池化層的結(jié)果同步到譯碼過程，得到了準(zhǔn)確率更高的輸出結(jié)果。DONG 等［25］利用U-Net 網(wǎng)絡(luò)模型輔助冠狀動脈造影進行血管分割，該模型將上采樣層提取到的特征信息加入到譯碼器，很大程度上提高了血管分割的準(zhǔn)確率，U-Net 網(wǎng)絡(luò)模型廣泛應(yīng)用于醫(yī)學(xué)圖像分割，在細胞分割、冠狀動脈造影血管分割以及視網(wǎng)膜血管分割領(lǐng)域均取得了很好的分割效果。CHEN 等［26］提出的Deep Lab 網(wǎng)絡(luò)模型利用膨脹卷積結(jié)構(gòu)輔助冠狀動脈造影進行血管分割，使用空洞卷積代替普通卷積，替換單尺度為多尺度，提高了語義分割的空間分辨率和模型特征提取能力，能夠更為準(zhǔn)確地分割血管。為了實現(xiàn)自動分割冠狀動脈造影序列圖像，李高陽等［27］提出改進FCN 結(jié)構(gòu)，實時獲取冠狀動脈造影血管樹，使用條件隨機場處理分割結(jié)果，將該方法輸出的分割結(jié)果與醫(yī)生標(biāo)注結(jié)果對比，發(fā)現(xiàn)具有高度一致性，提示分割效果良好。

評價血管分割效果的指標(biāo)包括Dice 系數(shù)、敏感度以及特異度［28］。Dice 系數(shù)越高，則樣本間相似度越高；敏感度越高，識別真血管的能力越強；特異度越高，識別假血管的能力越強。目前主流的冠狀動脈造影血管分割方法有改進FCN、DenseNet121、PSP-Net 以及Youssef 等，其中改進FCN 模型的Dice系數(shù)為0.89、敏感度為0.93，特異度為0.98，該方法具有較強的冠狀動脈造影血管分割能力。

3 機器視覺技術(shù)在冠狀動脈造影血管狹窄檢測中的應(yīng)用

對冠狀動脈造影圖像進行血管分割之后，通過對血管部位進一步分析，可以得到血管部位的狹窄度信息。冠狀動脈血管狹窄檢測是評估心臟系統(tǒng)病變的重要指標(biāo)，用來定量分析病變的范圍和嚴(yán)重程度。在心臟介入手術(shù)中，血管狹窄部位的位置信息對臨床醫(yī)生的治療操作起著至關(guān)重要的作用。

3.1 傳統(tǒng)機器視覺技術(shù) 傳統(tǒng)機器視覺技術(shù)輔助冠狀動脈造影血管狹窄檢測方法主要是根據(jù)冠狀動脈造影圖像中血管的像素信息推理出血管的直徑信息，通過設(shè)定閾值判斷血管狹窄程度。

JIANG 等［29］提出一種智能剪刀算法用來操作血管，利用交互式分割方法使用戶可以精確獲取圖像中的血管邊緣，隨后通過邊緣相交信息獲得血管直徑信息。但該方法僅可獲得部分血管的直徑信息，難以檢測出所有狹窄血管。針對血管狹窄程度評估問題，WAN 等［30］使用基于Hessian 矩陣增強方法、改進的匹配規(guī)則以及水平集分割血管等原理，首先進行冠狀動脈造影圖像增強工作，隨后使用水平集模型分割血管，利用改進的模型規(guī)則計算得出血管的切線、直徑變換曲線以及殘差曲線，狹窄血管即為殘差曲線的各階段最小值點，該方法可以準(zhǔn)確識別并量化冠狀動脈血管狹窄程度。增強后的冠狀動脈造影圖像能夠更好地進行狹窄血管檢測，可用融合擴散濾波和形態(tài)學(xué)算子的方法進行圖像增強和血管分割，提取冠狀動脈血管的中心線，針對血管中心線位置的直徑信息判斷冠狀動脈血管狹窄程度。KLEIN等［31］在基于中心線的方法上進行改進，使用B 樣條蛇形模型量化血管，將血管信息數(shù)字化，更加精準(zhǔn)地利用血管中心線評估血管直徑狹窄程度。王明霞等［32］使用融合擴散濾波和形態(tài)學(xué)的方法進行圖像增強和血管分割，提取冠狀動脈血管的中心線，針對血管中心線位置的直徑信息判斷冠狀動脈血管狹窄程度。由上可見，傳統(tǒng)機器視覺技術(shù)輔助冠狀動脈造影血管狹窄檢測方法具有較好的移植性以及較高的評估效率，但是存在著操作復(fù)雜、實時性差以及適用性差等問題。

3.2 基于人工智能的機器視覺技術(shù) 近年來，人工智能技術(shù)廣泛應(yīng)用于醫(yī)學(xué)影像處理，利用人工智能技術(shù)進行血管狹窄檢測一般可分為兩個階段：冠狀動脈血管的分割識別及血管狹窄程度的評估［33］。

DU 等［34］利用卷積神經(jīng)網(wǎng)絡(luò)分別進行血管分割和病變程度檢測工作，其將生成對抗網(wǎng)絡(luò)應(yīng)用于血管分割，同時輸出所有的血管病變位置用來輔助評估血管狹窄程度。為了簡化模型訓(xùn)練的流程，可使用遞歸神經(jīng)網(wǎng)絡(luò)進行血管狹窄檢測，該方法不需要標(biāo)注數(shù)據(jù)集，依照臨床醫(yī)生診斷報告進行模型訓(xùn)練，可以精準(zhǔn)地完成端到端的血管狹窄檢測。周瑩等［35］以Faster R-CNN 網(wǎng)絡(luò)模型為基礎(chǔ)，設(shè)計對比實驗找到Faster R-CNN 網(wǎng)絡(luò)模型的最佳特征提取結(jié)構(gòu)，隨后進行訓(xùn)練得到血管狹窄檢測模型，成功地預(yù)測出血管狹窄的位置。叢超等［36］提出一種全自動端到端的人工智能檢測血管狹窄方法，其利用監(jiān)督學(xué)習(xí)技術(shù)和冠狀動脈造影定量分析輕度訓(xùn)練標(biāo)簽，在多類型數(shù)據(jù)集上進行全面驗證，可精確地檢測到血管狹窄位置。

評價血管狹窄檢測網(wǎng)絡(luò)模型的指標(biāo)有分類準(zhǔn)確度、F1 分數(shù)及Kappa 分數(shù)［37］。分類準(zhǔn)確度越高代表模型正確預(yù)測出狹窄血管的能力越強；F1 分數(shù)融合了模型的精確率和召回率，F(xiàn)1 分數(shù)越高代表模型預(yù)測狹窄血管性能越強；Kappa 分數(shù)是衡量模型分類準(zhǔn)確率的指標(biāo)，通常Kappa分數(shù)的取值區(qū)間為0至1，其值越高代表模型區(qū)分正常血管與狹窄血管能力越強。目前，利用人工智能輔助冠狀動脈造影預(yù)測狹窄血管的主流方法有基于QCA 算法、基于血管分割算法、循環(huán)神經(jīng)網(wǎng)絡(luò)算法以及U-Net 算法，其中循環(huán)神經(jīng)網(wǎng)絡(luò)算法的分類準(zhǔn)確度為0.80、F1 分數(shù)為0.70、Kappa 分數(shù)為0.64，該方法具有較強的冠狀動脈造影血管狹窄檢測能力。

綜上所述，快速發(fā)展的機器視覺技術(shù)廣泛應(yīng)用于醫(yī)學(xué)影像學(xué)領(lǐng)域，基于傳統(tǒng)及人工智能的機器視覺技術(shù)有助于輔助冠狀動脈造影進行更準(zhǔn)確的狹窄血管智能預(yù)測與定位，進而實現(xiàn)冠狀動脈各種病癥的智慧診斷。目前，輔助冠狀動脈造影進行狹窄血管檢測的部分機器視覺可視化軟件已投入臨床使用，其可減少輸出檢查報告的時間，給出客觀的診斷結(jié)果，但是諸多模型的適用性和實時性仍需進一步提高，尤其是基于人工智能的機器視覺技術(shù)輔助冠狀動脈造影進行狹窄血管檢測依然具有廣闊的發(fā)展空間。