机器视觉技术在冠状动脉造影检查中的应用研究进展

陈珍珍，代国方，李超，耿启迪

1 河南中医药大学学位与研究生教育洛阳工作部，郑州 450046；2 北京中医药大学东直门医院洛阳医院心血管二病区；3 长安大学信息工程学院

冠状动脉造影是一种较为安全可靠的有创诊断技术，可以帮助医务工作者评估冠状动脉的狭窄程度，为后续治疗提供依据［1-2］。然而，目前冠状动脉造影有着图像质量较低、工作流程繁琐等问题［3］。随着科技技术的发展，许多研究人员开始使用机器视觉技术对当前冠状动脉造影检查进行优化［4］。机器视觉技术辅助冠状动脉造影检查的方法大致分为传统方法以及基于人工智能的方法［5］。针对冠状动脉造影图像中存在大量复杂噪声干扰等问题，有研究人员提出使用机器视觉技术对冠状动脉造影图像进行增强处理，加强图像的细节信息［6］；针对冠状动脉造影图像中血管细节部分不易与噪声分离问题，有研究人员提出使用机器视觉技术对冠状动脉造影图像进行血管分割，专注于图像中血管部分的深层形态［7］；针对不同医务工作者主观诊断对后续治疗方案带来的影响，有研究人员提出使用机器视觉技术对冠状动脉造影图像中血管的狭窄部分进行检测，并根据狭窄部位进行狭窄程度判断［8］。现就机器视觉技术在冠状动脉造影检查中的应用展开综述，旨在为冠状动脉病变诊断准确率以及效率的提升提供参考。

1 机器视觉技术在冠状动脉造影图像增强中的应用

冠状动脉造影成像过程中易受到诸多外部因素的干扰，如造影剂在血管中的分布不受人为控制，可能会使冠状动脉造影图像灰度分布不均；心脏部位具有复杂的冠状动脉结构，细小的血管不易被医生捕捉等。冠状动脉造影成像过程中会受到噪声干扰，人体骨骼或者其他组织也会降低图像的清晰度及对比度。为了提高冠状动脉造影图像质量，降低上述干扰因素带来的负面影响，研究人员开始关注应用机器视觉技术辅助冠状动脉造影进行图像增强。

1.1 传统机器视觉技术 传统机器视觉技术辅助冠状动脉造影图像增强的方法有基于形态学操作估计血管结构的方法、基于不同滤波器的增强方法、基于Hessian矩阵的增强方法等。

形态学方法专注于冠状动脉造影图像的血管部分，利用腐蚀、膨胀以及头帽法等形态学算子对冠状动脉造影图像中血管部位进行增强，减弱冠状动脉造影图像背景，但该方法对于微小血管的增强效果一般［9］。汪维华等［10］将修正后的形态学算子连接无监督血管捕获算法标记血管，利用形态学中的高低帽变换提高了血管部位与背景的对比度，从而提高冠状动脉造影图像质量。基于不同滤波器的增强方法采用可变方向滤波器进行滤波操作［11］，捕获全方位的动脉血管，随后使用小波变换进行图像特征融合，获取动脉血管特征信息，最后通过非线性反锐化掩膜操作，多层次增强冠状动脉造影图像信息［12］。基于Hessian 矩阵的增强方法通过分析血管的管状结构，利用Hessian 矩阵特征值构造滤波器，从而达到增强冠状动脉造影血管结构特征的效果［13］。相较于形态学方法及基于不同滤波器的增强方法，Hessian 矩阵构建的多尺度滤波器可以较好地保留血管边缘信息，增强细小血管的特征信息，使冠状动脉以及诸多细小血管的结构更加清晰平滑，提高可视化效果［14］。

1.2 基于人工智能的机器视觉技术 传统机器视觉技术辅助冠状动脉造影图像增强通常致力于增强血管的边缘信息，提高冠状动脉造影图像的对比度，弱化外部噪声带来的影响，取得了较好的增强效果，但是其仅适用于光照环境恒定的情况下，适用性较差；且由于其复杂的计算量，实时性较差［15］。基于此，出现了利用人工智能进行冠状动脉造影图像增强的方法。人工智能机器视觉技术与传统机器视觉技术之间的区别为，传统机器视觉技术利用结构化方法的主要思想，各个任务阶段逐步展开；而人工智能机器视觉技术模仿人体生物学中事物的认知方法，例如婴儿在认知过程中首次见到某些事物，人为告知婴儿该事物的具体信息，循环往复该过程，不断刺激大脑皮层下神经元细胞，从而获得认知事物的能力。计算机通过将实验集和结果集送入卷积神经网络，经过大量的训练学习，使计算机具备认知事物或者执行特定任务的能力［16］。

通过对比正常光照条件下与低照度环境下的冠状动脉造影图像发现，低照度环境下出现对比度下降、局部细节丢失、图像灰度分布不均等问题。Retinex-net 神经网络能够模拟人类视网膜皮层的成像原理构建亮度增强和减少照明的分布式模型，该模型可提高医学图像对比度，从而增强图像，但Retinex-net 基础网络的适用环境较为单一［17］。基于此，吴培源等［18］提出使用改进Retinex-net 模型的冠状动脉造影图像增强技术，该方法在Retinex-net 神经网络模型基础上，结合暗通道先验理论提高血管暗区的亮度，减小明亮区域对血管的干扰，修改Retinex-net 网络模型中的损失函数，提高模型真实值与预测值之间的拟合能力。随后在Retinex-net网络模型基础上增加反射网络，将初步分解处理后的反射图像进一步增强，较好地解决了图像灰度分布不均问题。

评价图像质量的指标包括对比度、平均梯度、信息熵等［19］。对比度越大，图像灰度反差越大，合理的对比度值可以增强人体血管边缘特征信息；平均梯度值越大，反映的详细级别越高，图像的清晰度越高；信息熵越大，图像包含的信息量越大。目前主流的冠状动脉造影图像增强方法有Hessian矩阵、基础Retinex 模型以及改进Retinex-net 模型等，其中改进Retinex-net 模型方法的对比度为5.639 1、平均梯度为12.162 9、信息熵为6.483 9，该方法具有较强的冠状动脉造影图像增强能力。

2 机器视觉技术在冠状动脉造影血管分割中的应用

近年来，冠状动脉造影的数据量增长较快，然而我国相应医疗专业人员基数小且增长缓慢。由于医务工作者根据冠状动脉造影图像进行诊断的关键点在于图像中血管的形态特征，因此大量研究致力于利用机器视觉技术辅助冠状动脉造影进行血管分割，将图像中血管部分着重标注，从而缓解医务工作者的诊断压力。

2.1 传统机器视觉技术 传统机器视觉技术主要利用血管图像区域间不连续性和区域内相似性两个特性辅助冠状动脉造影进行血管分割，主要的方法有基于边界、区域以及特定理论和工具的方法。

基于边界的血管分割方法中应用较为广泛的是基于模型以及跟踪的分割算法［20］。基于模型的血管分割算法将冠状动脉造影图像区域的曲线或者曲面分别定义，在外力作用下使其持续发生形变，当外力与内力保持一致时，即可获得血管边界信息。YIM等［21］将血管结构数字化为模型，将冠状动脉造影图像区域的曲线或者曲面作为参数，把血管管腔看作一系列相互垂直的椭圆结构，通过参数预测得到血管模型，但该方法在血管重叠的区域分割效果一般。DEHMESHKI 等［22］提出了一种时间相关的水平模型，该模型使用区域自适应分割算法，可以改善冠状动脉造影图像中血管裂缝、空洞以及重叠的问题。基于区域的血管分割方法有聚类、区域生长以及阈值法等。聚类法将相似像素进行聚类，实现血管分割，常用的聚类方法有K-means、模糊C 均值以及分层聚类等；区域生长法利用灰度相似性和空间邻近性实现冠状动脉造影血管分割；阈值法提取目标与周围背景的阈值差异进行血管分割［23］。基于特定理论的血管分割方法应用较为广泛的是基于形态学的方法，该方法利用结构元素对图像进行操作，使用头帽法和分水岭法进行血管分割。

2.2 基于人工智能的机器视觉技术 随着计算机视觉技术的不断革新，人工智能辅助医学图像处理取得较大进展。冠状动脉造影血管分割属于人工智能中语义分割的范畴，由于卷积神经网络强大的适用性和非结构化的设计理念，基于人工智能的冠状动脉造影血管分割方法相较于传统方法更为高效。

伯克利等提出的全卷积神经网络（FCN）开启了语义分割模型改进的浪潮［24］。利用FCN 进行冠状动脉造影血管分割需要预测图像中的每一个像素，同时能够解决冠状动脉造影图像像素的定位问题，FCN 将池化层的结果同步到译码过程，得到了准确率更高的输出结果。DONG 等［25］利用U-Net 网络模型辅助冠状动脉造影进行血管分割，该模型将上采样层提取到的特征信息加入到译码器，很大程度上提高了血管分割的准确率，U-Net 网络模型广泛应用于医学图像分割，在细胞分割、冠状动脉造影血管分割以及视网膜血管分割领域均取得了很好的分割效果。CHEN 等［26］提出的Deep Lab 网络模型利用膨胀卷积结构辅助冠状动脉造影进行血管分割，使用空洞卷积代替普通卷积，替换单尺度为多尺度，提高了语义分割的空间分辨率和模型特征提取能力，能够更为准确地分割血管。为了实现自动分割冠状动脉造影序列图像，李高阳等［27］提出改进FCN 结构，实时获取冠状动脉造影血管树，使用条件随机场处理分割结果，将该方法输出的分割结果与医生标注结果对比，发现具有高度一致性，提示分割效果良好。

评价血管分割效果的指标包括Dice 系数、敏感度以及特异度［28］。Dice 系数越高，则样本间相似度越高；敏感度越高，识别真血管的能力越强；特异度越高，识别假血管的能力越强。目前主流的冠状动脉造影血管分割方法有改进FCN、DenseNet121、PSP-Net 以及Youssef 等，其中改进FCN 模型的Dice系数为0.89、敏感度为0.93，特异度为0.98，该方法具有较强的冠状动脉造影血管分割能力。

3 机器视觉技术在冠状动脉造影血管狭窄检测中的应用

对冠状动脉造影图像进行血管分割之后，通过对血管部位进一步分析，可以得到血管部位的狭窄度信息。冠状动脉血管狭窄检测是评估心脏系统病变的重要指标，用来定量分析病变的范围和严重程度。在心脏介入手术中，血管狭窄部位的位置信息对临床医生的治疗操作起着至关重要的作用。

3.1 传统机器视觉技术 传统机器视觉技术辅助冠状动脉造影血管狭窄检测方法主要是根据冠状动脉造影图像中血管的像素信息推理出血管的直径信息，通过设定阈值判断血管狭窄程度。

JIANG 等［29］提出一种智能剪刀算法用来操作血管，利用交互式分割方法使用户可以精确获取图像中的血管边缘，随后通过边缘相交信息获得血管直径信息。但该方法仅可获得部分血管的直径信息，难以检测出所有狭窄血管。针对血管狭窄程度评估问题，WAN 等［30］使用基于Hessian 矩阵增强方法、改进的匹配规则以及水平集分割血管等原理，首先进行冠状动脉造影图像增强工作，随后使用水平集模型分割血管，利用改进的模型规则计算得出血管的切线、直径变换曲线以及残差曲线，狭窄血管即为残差曲线的各阶段最小值点，该方法可以准确识别并量化冠状动脉血管狭窄程度。增强后的冠状动脉造影图像能够更好地进行狭窄血管检测，可用融合扩散滤波和形态学算子的方法进行图像增强和血管分割，提取冠状动脉血管的中心线，针对血管中心线位置的直径信息判断冠状动脉血管狭窄程度。KLEIN等［31］在基于中心线的方法上进行改进，使用B 样条蛇形模型量化血管，将血管信息数字化，更加精准地利用血管中心线评估血管直径狭窄程度。王明霞等［32］使用融合扩散滤波和形态学的方法进行图像增强和血管分割，提取冠状动脉血管的中心线，针对血管中心线位置的直径信息判断冠状动脉血管狭窄程度。由上可见，传统机器视觉技术辅助冠状动脉造影血管狭窄检测方法具有较好的移植性以及较高的评估效率，但是存在着操作复杂、实时性差以及适用性差等问题。

3.2 基于人工智能的机器视觉技术 近年来，人工智能技术广泛应用于医学影像处理，利用人工智能技术进行血管狭窄检测一般可分为两个阶段：冠状动脉血管的分割识别及血管狭窄程度的评估［33］。

DU 等［34］利用卷积神经网络分别进行血管分割和病变程度检测工作，其将生成对抗网络应用于血管分割，同时输出所有的血管病变位置用来辅助评估血管狭窄程度。为了简化模型训练的流程，可使用递归神经网络进行血管狭窄检测，该方法不需要标注数据集，依照临床医生诊断报告进行模型训练，可以精准地完成端到端的血管狭窄检测。周莹等［35］以Faster R-CNN 网络模型为基础，设计对比实验找到Faster R-CNN 网络模型的最佳特征提取结构，随后进行训练得到血管狭窄检测模型，成功地预测出血管狭窄的位置。丛超等［36］提出一种全自动端到端的人工智能检测血管狭窄方法，其利用监督学习技术和冠状动脉造影定量分析轻度训练标签，在多类型数据集上进行全面验证，可精确地检测到血管狭窄位置。

评价血管狭窄检测网络模型的指标有分类准确度、F1 分数及Kappa 分数［37］。分类准确度越高代表模型正确预测出狭窄血管的能力越强；F1 分数融合了模型的精确率和召回率，F1 分数越高代表模型预测狭窄血管性能越强；Kappa 分数是衡量模型分类准确率的指标，通常Kappa分数的取值区间为0至1，其值越高代表模型区分正常血管与狭窄血管能力越强。目前，利用人工智能辅助冠状动脉造影预测狭窄血管的主流方法有基于QCA 算法、基于血管分割算法、循环神经网络算法以及U-Net 算法，其中循环神经网络算法的分类准确度为0.80、F1 分数为0.70、Kappa 分数为0.64，该方法具有较强的冠状动脉造影血管狭窄检测能力。

综上所述，快速发展的机器视觉技术广泛应用于医学影像学领域，基于传统及人工智能的机器视觉技术有助于辅助冠状动脉造影进行更准确的狭窄血管智能预测与定位，进而实现冠状动脉各种病症的智慧诊断。目前，辅助冠状动脉造影进行狭窄血管检测的部分机器视觉可视化软件已投入临床使用，其可减少输出检查报告的时间，给出客观的诊断结果，但是诸多模型的适用性和实时性仍需进一步提高，尤其是基于人工智能的机器视觉技术辅助冠状动脉造影进行狭窄血管检测依然具有广阔的发展空间。