人工智能在数字减影血管造影成像的研究进展

钱 山，杨明雷，黄 峰

数字减影血管造影（digital subtraction angiography，DSA）是传统血管造影与电子计算机结合的影像技术，尤其在临床心脑血管疾病的诊断和介入治疗中具有重要价值[1]。但DSA图像质量容易受噪声、运动伪影及辐射剂量的影响[2]。人工智能（artificial intelligence，AI）是基于计算机模拟人类思维的一门学科，可通过回顾学习高质量、大样本DSA数据解决上述问题，全面提升图像质量[3，4]。

医学影像结合AI的概念，早在20世纪60年代即被提出[5，6]。目前，AI已在CT、MRI、超声心动图等多种图像领域取得了大量的研究成果，证明了AI在医学成像及图像处理领域的有效性和应用潜力[7，8]。但是，AI在DSA领域的研究进展缓慢。分析其发展缓慢的主要原因在于两个方面：一方面，大多数用于实时手术导航的DSA图像存档数量相对较少，远不足以支撑DSA深度学习智能应用的开发；另一方面，DSA图像通常具有较大的变异性，例如DSA图像中常出现多种手术工具，这会加剧图像增强和标注的难度[9]。此外，随着介入手术复杂程度的增加，介入治疗时间相应延长，很可能导致患者和介入医师暴露于更高的辐射剂量水平[10]。高剂量成像虽然会提高成像质量，但也会增加医生和患者的电离辐射损伤；而低剂量成像会增大图像噪声、降低成像质量，影响疾病的诊疗[11]。当介入医师对患者进行放射检查和治疗时，应当权衡利弊，这无疑增大了医生的思想负担和工作压力[12]。因此，利用AI解决上述问题成为临床研究的重点。

笔者主要从DSA前端成像优化和辅助颅内动脉瘤治疗两个方面介绍AI技术在DSA图像领域的研究进展，并对当前DSA成像和AI结合可能遇到的问题及未来潜在的发展方向进行了分析。

1 人工智能在DSA图像优化的应用

纵观DSA成像的发展历程，提升图像质量、降低辐射剂量一直是临床研究的热点[1]。下面主要介绍了在心脑血管DSA前端成像阶段，AI在降低图像噪声和去除运动伪影方面的进展。

1.1 心血管DSA降低图像噪声的研究

过去20年，包括三维块匹配滤波（block-matching and three dimensional filtering，BM3D）[13]、学习同时稀疏编码（learned simultaneous sparse coding，LSSC）[14]、非局部中心化稀疏表示（nonlocally centralized sparse representation，NCSR）[15]等在内的多种降噪算法被提出。虽然这些算法具备一定的降噪效果，但降噪时间较长[16]。近年来，随着密集网络学习（dense networks learning）、残差学习（residual learning）、批处理归一化（batch normalization）等模块的出现，深度学习在降低医学图像噪声方面展现出巨大的潜力[11]。Zhang K等[17]通过加深网络结构、学习算法及正则化等策略，提出了一种全新的降噪卷积神经网络（denoising convolutional neural networks，DnCNNs），该网络能够降低多种常见的图像噪声，如高斯噪声、单图像超分辨率图像噪声。大量实验表明，DnCNNs在一般图像去噪任务中表现良好，并奠定了降低图像噪声的基础。Luo Y等[18]研发了一种包含多个超密集模块（ultra-dense blocks，UDBs）的超密集降噪网络（ultra-dense denoising network，UDDN），用于降低心血管透视图像噪声。该网络每个UDBs具有相同的卷积层，模块之间参数共享，以节省内存、加快运算速度；通过各个残差块内多路径神经单元之间的相关性，可提升信息交互和局部特征提取效率，更好地搜索低剂量透视图像与全剂量金标准图像之间的映射关系。在模拟和临床数据集上的试验结果显示，与DnCNNs相比，UDDN具有更高的峰值信噪比（peak signal to noise ratio，PSNR）和信噪比（signal-noise ratio，SNR），降低图像噪声效果更佳。

为了实现高质量成像，降噪网络的损失函数也有所创新。Wu C等[11]通过将DenseNet集成到DnCNNs中，提出了一种全新的降噪网络Dense DnCNNs，支持低辐射剂量、高质量DSA成像。该网络保留了全部卷积神经网络（convolutional neural network，CNN）级别的图像特征，可避免降噪过程中梯度消失；网络损失函数在L2损失函数（2范数）的基础上添加了感知损失，提升降噪性能的同时，有效防止过度平滑，保持图像边缘清晰。研究人员利用临床数据对比评估了DnCNNs与Dense DnCNNs的降噪效果。结果表明，Dense DnCNNs的PSNR平均为46.32 dB，高于DnCNNs（45.46 dB）；同时在视觉评估中，结合感知损失的Dense DnCNNs在防止过度平滑的前提下，能够保留更多的图像细节信息。目前，多数研究主要是对二维（two-dimensional，2D）图像逐帧降噪，而图像相邻帧之间时间噪声的去除仍是一个具有挑战性的问题。为了同时降低时间噪声和空间噪声，Wu C等[16]在Dense DnCNNs的基础上提出了多通道降噪卷积神经网络（multi-channel denoising convolutional neural network，MCDnCNN）。该网络基于DenseNet和DnCNNs构建，图像序列采用了改进的多通道输入层，不仅能够从每帧输入中进行空间域的深度学习，而且还能够充分利用相邻帧之间的时间相关信息进行时域学习，以最大限度地提高降噪效率[16]；同时，研发人员在L2损失和感知损失的基础上，还引入了差分均方误差（difference mean square error，Diff-MSE）附加项，用于计算时间噪声导致的网络性能的统计方差，提高网络的鲁棒性。基于真实临床数据评估MCDnCNN降噪性能的试验证明，结合L2损失、感知损失和Diff-MSE损失的MCDnCNN具有卓越的时空降噪能力，图像质量显著提升。

1.2 脑血管DSA图像运动伪影去除研究

保证DSA图像质量的前提是掩模像（注射造影剂前扫描）与填充像（注射造影剂后扫描）的精确配准。通常图像配准不良主要由被检者的身体移动、肠内气体运动和心脏搏动等运动位移导致。不精确的图像配准会导致造影前后2幅图像骨骼、软组织等结构空间位置的不一致，直接导致减影图像中的运动伪影，进而降低图像质量。因此避免上述运动伪影的产生是提高DSA图像质量的关键。

为此，Montoya JC等[19]基于AI提出了一种全新的图像后处理技术，即三维血管造影术（three-dimensional angiography，3DA）。基于105例经过临床系统和标准注射方案得到的三维（three-dimensional，3D）旋转血管造影图像，对设计的后处理CNN进行训练（35例）和验证（8例）；然后输入测试组（62例）数据，训练过的CNN自动将输入图像的每个体素分为血管、骨骼和软组织3类组织成分；最终基于测试组被分为血管组织的体素，生成3DA图像。为了量化训练模型的泛化误差，研究人员通过计算后处理CNN分类的准确度、灵敏度、精确度和Dice相似系数，定量评估了3DA图像和3D DSA图像的移动伪影。评估结果表明，3DA是一种可靠的成像方法，可以精确地重建小血管、穿孔器等结构，且3DA图像与3D DSA图像之间具有良好的一致性。相比于常规需经2次旋转扫描的血管造影，3DA无需掩膜图像，可基于1次旋转扫描的填充像自动生成高质量的3DA图像，在不丢失诊断信息的前提下，显著降低图像扫描过程的辐射剂量；同时，由于3DA无需精确配准掩膜像和填充像，图像配准误差、交叉扫描等对造影图像无影响。因此3DA避免了由于2次旋转扫描的时间差导致的运动伪影，进一步提升DSA图像质量，为临床诊疗工作流的改善提供了参考[20]。类似的思路，Gao Y等[21]基于深度学习技术，提出了一种残差密集网络（residual dense network，RDBN）。该网络无需掩膜图像，仅基于造影后的血管填充图像，利用残差密集块（residual density block，RDB）的密集相连层提取高级图像特征，自动生成3DA图像。研究人员采用PSNR、结构相似性（structural similarity，SSIM）和特征相似度（feature similarity，FSIM）3种指标，在包含人体头部和腿部的临床DSA数据集上开展的评估试验表明，头部数据可达23.731、0.877和0.894 6，腿部数据可达26.555、0.870和0.928 4。这说明，该方法能够基于实时血管填充图像精确提取人体血管特征，有效避免了由于前后2次旋转扫描期间患者运动可能导致的运动伪影，提高临床医生的诊疗效率，同时避免了采集掩膜图像期间患者和医生受到的X射线辐射。

2 人工智能辅助颅内动脉瘤诊疗

鉴别颅内动脉瘤的稳定性是决定临床治疗策略的关键，尤其是微小动脉瘤[22]。颅内血管3D DSA对于颅内动脉瘤破裂概率的评估、危险动脉瘤的鉴别至关重要[23]。基于大量颅内血管DSA图像训练的AI模型，能够有效解决医生肉眼长时间看片漏诊、耗时长等问题，辅助预测微小动脉瘤破裂的风险[24]。Kim H等[25]采用3D DSA自动识别动脉瘤，并构建模型预测微小动脉瘤破裂的风险。该研究共纳入368例微小动脉瘤患者，扫描含动脉瘤血管6个方向（前、后、左、右、上、下）的3D DSA图像，由神经放射学专家提取感兴趣区域。预测网络基于Alexnet_v2架构，包含3个最大池化层、2个drop-out层、3个全连接层和5个卷积层。研究人员基于272例患者数据进行了前瞻性测试，并将灵敏度、特异度、总体准确度和受试者工作特性 （receiver operating characteristics，ROC）曲线与医生的评估结果进行比较。验证结果显示，该网络预测动脉瘤破裂的灵敏度为78.76%，特异度为72.15%，总体诊断准确度为76.84%，ROC曲线下面积（area under curve，AUC）为0.755，显著优于医生的评估结果（AUC为0.537；P<0.001）。这说明，深度学习预测模型在评估微小动脉瘤破裂风险方面是可靠的，有助于临床工作中疾病的早期干预治疗。

在实际临床诊疗过程中，颅内动脉瘤破裂的影响因素众多[26，27]，其中动脉瘤的尺寸大小通常被列为动脉瘤危险分层中最重要的决定因素，医生普遍认为尺寸较大的动脉瘤更危险[28]。但也有研究表明，18%破裂动脉瘤直径＜4 mm，38%破裂动脉瘤直径＜7 mm。因此无论大小，形状不规则才是动脉瘤破裂最主要的决定因素[29]。为此，Liu Q等[22]基于微小动脉瘤患者的DSA图像，自动提取动脉瘤的放射组学衍生形态学特征，结合临床信息构建深度学习模型，以探索颅内动脉瘤破裂的决定性因素。该研究以回顾性分析病例中入组动脉瘤的稳定性和临床特征为金标准，分析不同临床变量和形态学特征对动脉瘤稳定性的影响。结果发现，平坦度是最重要的形态学特征；基于放射组学衍生形态特征训练的深度学习模型可用来预测动脉瘤的稳定性，从而指导临床危险分层。这说明，综合分析动脉瘤尺寸及形态学特征，可提升临床诊断中微型动脉瘤的危险分层划分准确度。但AI在颅内动脉瘤辅助诊疗领域的研究还处于初级的预测破裂与否阶段，且都是在小规模样本上进行的，不足以进一步探索更深层的模型，也不足以支撑其应用于临床实践，仍需进一步的探索。

3 总结与展望

笔者主要从DSA成像优化和辅助颅内动脉瘤诊疗两个方面介绍了当前AI在心脑血管DSA成像的研究进展。可以发现，目前AI在心脑血管DSA成像阶段的应用集中于降低图像噪声、降低辐射剂量及去除运动伪影等方面。显然，AI的加入在促进新一代血管成像机发展的同时，全面提高了临床疾病诊疗的准确度、均质性和效率，有望从根本上改变现有的医疗模式。但是相比于CT、MRI等影像，目前DSA成像结合AI的应用场景比较单一，且在一些已经结合AI的疾病辅助诊疗领域（如颅内动脉瘤）尚处于初级阶段，因此相关研究有待进一步开展。未来几年，AI将会越来越多地应用于DSA前端成像优化及后端图像分析，加速临床中心脑血管疾病的自动化诊疗进程。值得注意的是，DSA成像速度的提高、图像畸变的校正等方面的研究直接关系到成像质量，相关的研究成果却不多，是未来应该努力的方向。

虽然基于深度学习的疾病诊疗模型能够显著提高诊断效率，但极大地依赖于训练数据的质量、数量和多样性。近年来，公开的医疗影像数据库数量越来越多，这是一个很大的进步。但是这还不够，仍有必要进一步完善健康数据共享机制，或通过战略合作关系，或通过国家政策扶持，创建大型、高质量、精标记的医学图像数据库，以训练能够落地的高性能、本土化模型。其次，还应在病灶区域分割、病变识别的基础上，进一步开发支持同时处理多任务的辅助诊疗AI产品，打破当前只能执行单一疾病、单一任务的局面，早日覆盖临床诊疗的全流程。此外，在加大对放射学医生、技师等进行必要的AI培训力度的同时，有必要进一步探究AI和医生在实际临床疾病诊疗流程中的优势和劣势，通过设置奖惩机制进行反馈控制和策略互调，实现人与AI优势互补和智能交互，使AI真正成为医生的得力助手。