基于冠状动脉CT血管造影深度神经网络模型检出和分类左前降支心肌桥

贾亚男，赵鹏飞，李若平，李育威，张今尧，许晓阳，朱海峰*

(1.民航总医院放射科，北京 100123；2.深圳科亚医疗科技有限公司，广东 深圳 518100)

冠状动脉走行于心肌表面，其末端分支进入心肌，输送氧气和营养。异常情况下，血管走行于心肌内部，在心脏收缩期受心肌压迫而引起心肌缺血，此时覆盖在血管表面的心肌称为心肌桥。冠状动脉左前降支(left anterior descending branch, LAD)走行其中的心肌纤维是心室心肌的直接延伸，易在收缩期压迫LAD致其狭窄[1-2]。检出心肌桥并准确分类对预防和诊断冠状动脉疾病十分重要。冠状动脉CT血管造影(coronary CT angiography, CCTA)是评估冠状动脉狭窄的可靠方法，可用于检测心肌桥长度和厚度[3-4]。作为一种基于人工智能的学习模型，深度神经网络已广泛应用于医学影像去噪、检测钙化及评估病变血管狭窄程度等方面[5-8]。本研究观察基于CCTA构建深度神经网络模型以检出和分类LAD心肌桥的价值。

1 资料与方法

1.1 一般资料 回顾性分析2020年9月—2021年1月726例因胸痛于民航总医院接受CCTA检查患者，男377例，女349例，年龄24～86岁，平均(58.9±11.7)岁；其中273例罹患冠状动脉粥样硬化或心脏疾病。排除图像存在伪影者。

1.2 仪器与方法 采用GE Revolution 256层螺旋CT，以智能心电门控技术进行CCTA扫描。嘱患者平静呼吸，扫描范围自气管分叉下方1 cm处至心脏膈面水平，管电压120 kV，管电流300～700 mAs自动调节，探测器16 mm，球管转速0.28 s/rot。采用智能追踪技术，以气管分叉水平下方10 cm处升主动脉为追踪点，阈值达100 HU后自动触发扫描；对比剂为碘佛醇(350 mgI/ml)，注射流率4.5～5.5 ml/s，剂量为0.8 ml/kg体质量。以多模型迭代重建算法重建收缩末期和舒张中期图像，层厚0.625 mm。

1.3 图像分析 由2名具有10年以上工作经验的影像科副主任或主任医师分别于GE AW4.7工作站行三维重建，获得冠状动脉结构图像，提取冠状动脉中心线并行曲面重建，于其中测量心肌桥厚度与长度，于壁冠状动脉受压最显著部位、与其走行长轴垂直层面测量心肌最远点与壁冠状动脉之间的距离，记为心肌桥厚度；沿冠状动脉血管中心测量其长度；按照国际心血管CT协会冠状动脉分段标准[9]，根据心肌桥起点、终点、最深处位置及所在血管分支对心肌桥进行诊断并评估其类别为浅表型或纵深型，意见不一致时讨论决定。诊断心肌桥标准：CCTA显示冠状动脉血管节段性或环周1/2以上被心肌包绕、其远端走行于心肌外膜组织中时，认为该段心肌组织系心肌桥[10]；以该段冠状动脉外覆心肌厚度<2 mm为浅表型心肌桥、≥2 mm为纵深型心肌桥。

1.4 构建深度学习网络 分别按照7∶3及1∶2比例将心肌桥患者和非心肌桥患者归入训练集和测试集。在工程师协助下，采用基于中心线导航的深度神经网络残差-长短期记忆级联网络(residual network-long short-term memory, Resnet-LSTM)[11-13](深圳科亚医疗科技有限公司)构建检出和分类LAD心肌桥的多任务模型；网络模型设计图见图1。将收缩末期和舒张中期曲面重建冠状动脉图像(像素50×50)导入Resnet-LSTM模型，以二维Resnet网络提取图中单个血管片层的特征，并以级联双向LSTM网络学习心肌桥在血管方向上的高维连续特征，以全连接网络层分别输出心肌桥位置与类别；采用分类与定位交叉熵损失函数矫正学习，自动化提取及筛选多个血管的特征，完成以血管分支为单位检出与分类心肌桥。以训练集数据对Resnet-LSTM模型进行学习训练，以测试集数据检测模型性能。

1.5 统计学分析 采用SPSS 20.0统计分析软件。以医师诊断结果为标准，统计Resnet-LSTM模型检出LAD心肌桥患者及病变数量，计算其检出LAD心肌桥的敏感度、特异度、阳性预测值及误诊率，计算其检出及分类LAD心肌桥的准确率，以评价其性能。采用Kappa检验分析Resnet-LSTM模型检出LAD心肌桥结果与医师诊断结果的一致性：Kappa≤0.20为一致性极低，0.20

2 结果

2.1 CCTA 726例患者中，453例存在心肌桥且均存在至少1处LAD心肌桥，其中294例存在1处、124例存在2处、29例存在3处、5例存在4处、1例存在5处；共检出654处心肌桥；其中561处(561/654，85.78%)位于LAD，93处位于左回旋支和第一对角支等。293例未见心肌桥形成。

561处LAD心肌桥长度2.19～95.07 mm，中位长度21.56 (12.81，32.17) mm；厚度0.37～7.21 mm，中位厚度1.68(1.33，2.39) mm；44处位于LAD近段，464处位于LAD中段，53处位于远段；见表1。其中503处浅表型，58处纵深型。

将333例心肌桥患者共406处 LAD心肌桥(365处浅表型和41处纵深型)及91例非心肌桥患者纳入训练集(n=424)，120例心肌桥患者共155处LAD心肌桥(138处浅表型和17处纵深型，其中139处位于LAD近或中段、16处位于LAD远段)和182例非心肌桥患者纳入测试集(n=302)。

表1 LAD近、中、远段心肌桥长度及厚度(n=561)

图1 检出和分类心肌桥的Resnet-LSTM模型设计图

图2 患者女，77岁，LAD中段心肌桥(纵深型) A～C.分别为冠状动脉容积再现图(A)、曲面重建图(B)及矢状位图像(C)(箭示病灶)； D.Resnet-LSTM模型检出心肌桥(红线)示意图

2.2 Resnet-LSTM模型检出及分类LAD心肌桥的性能 针对测试集，Resnet-LSTM模型共检出130例存在LAD心肌桥、172例未见心肌桥，误诊27例、漏诊17例，诊断敏感度为85.83%(103/120)，特异度为85.16%(155/182)，准确率为85.43%(258/302)，阳性预测值为79.23%(103/130)，误诊率为14.84%(27/182)；与医师诊断结果的一致性高(Kappa=0.70，P<0.05)。Resnet-LSTM模型共检出167处、误诊30处漏诊18处 LAD心肌桥，诊断准确率88.39%(137/155)。

对于LAD近、中段心肌桥，Resnet-LSTM模型共正确检出131处、误诊2处、漏诊10处，诊断准确率92.81%(129/139)；对于LAD远段心肌桥，模型共正确检出36处、误诊28处、漏诊8处，诊断准确率为50.00%(8/16)。

Resnet-LSTM模型正确检出的测试集137处LAD心肌桥中，将其中120处分类为浅表型、17处为纵深型，将13处纵深型误归浅表型、9处浅表型误归为纵深型，分类准确率83.94%(115/137)。见图2。

3 讨论

临床诊断冠状动脉心肌桥在一定程度上依赖影像科医师的主观判断，结果缺乏客观性和可重复性。深度神经网络Resnet-LSTM采用2D Resnet网络提取血管剖面图像特征，结合LSTM网络获取血管剖面连续性信息，以级联结构实现血管3D空间特征学习；能以多任务方式快速检测并分类心肌桥，同步输出结果，实现快速自动化诊断心肌桥。

LAD是心肌桥的主要发病位置。LAD心肌桥为引起心肌缺血、心绞痛等临床症状的主要原因之一[1-2,4]。本组心肌桥患者中，LAD中段心肌桥占比最高(464/561，82.71%)。本研究基于中心线导航的深度神经网络Resnet-LSTM建立模型，针对CCTA图像对LAD心肌桥进行检测及分类；所获模型在对测试集LAD心肌桥的检出敏感度为85.83%，特异度为85.16%，准确率为85.43%，与医师诊断结果的一致性高；其对LAD心肌桥病灶的诊断准确率为88.39%，分类准确率达83.94%。Resnet-LSTM模型对于LAD近、中段心肌桥的检出效能高，诊断准确率达92.81%，表明其识别CCTA图像中的心肌桥的能力较好；但对LAD远段心肌桥的检出效能欠佳，诊断准确率仅50.00%。分析原因：①近、中段LAD直径相对较大，且形态结构简单、稳定，利于检出及分类心肌桥；②LAD远段分支逐渐进入心肌内部，血管剖面图像表现为心肌环绕于血管四周，影响模型检出效能。另一方面，临床基于CCTA进行诊断时，往往多关注直径较大的血管，如冠状动脉病变SYNTAX评分仅针对直径>1.5 mm的血管病变进行评估[14]，提示识别LAD远段心肌桥准确率较低对其临床应用价值的影响有限。

本研究的局限性：①为单中心、单一设备研究，且样本中纵深型心肌桥含量过小；②所获Resnet-LSTM模型对浅表型心肌桥与非心肌桥的检测及分类性能有待提高；③未对收缩期和舒张期图像进行对比观察。

综上所述，基于CCTA的深度神经网络Resnet-LSTM模型用于检出和分类LAD心肌桥性能较好，具有一定临床应用价值。

文章题名要求

▲题名应以简明、确切的词语反映文章中最重要的特定内容,要符合编制题录、索引和检索的有关原则,并有助于选定主题词。

▲中文题名一般不宜超过20个字,必要时可加副题名。

▲英文题名应与中文题名含义一致。

▲题名应避免使用非公知公用的缩写词、字符、代号,尽量不出现数学公式和化学式。