研究背景：

肺栓塞（PE）是第三常见的心血管疾病，由肺动脉中的血栓引起。这些血栓通常从深静脉（例如腿部）进入肺部，阻塞肺部的血流。其表现是多样的，从无症状到突然死亡不等。及时的诊断和治疗可以将死亡率从30％降低到8％。在美国，约有90万人受到PE的影响，每年有10万人死于PE。每四名PE患者中就有一人会突然死亡而无任何预警。由于PE的症状（例如呼吸急促和胸痛）非特异性，它经常会被误诊为其他心脏或肺部疾病。计算机断层扫描肺动脉造影（CTPA）通常被用作诊断PE的金标准。使用碘造影剂可以增强肺血管内的血栓显示，因为血栓会阻止造影剂进入血管（即充盈缺损）。然而，CTPA扫描通常由数百个图像切片组成，手动检测PE是一项耗时的工作。而且，准确量化栓塞的程度以支持精准或个体化医学并不容易。

因此，已经进行了调查努力，以开发计算机算法来自动检测和分割PE，通过对PE区域的位置和程度进行定量评估，可以量化栓塞的程度和负担，从而实现精确和个体化的治疗。计算机算法自动检测PE面临的挑战包括PE区域在密度上的变化以及肺血管的渐进性衰减。很难确定一个最佳阈值来可靠地识别CTPA扫描中的PE区域。

研究方法和结果：

我们提出了一种新颖的计算机算法，可以在计算机断层扫描肺动脉造影（CTPA）中自动检测和分割肺栓塞（PEs）。该算法基于深度学习，但不需要对PE区域进行手动轮廓勾画。给定一份CTPA扫描，首先对肺内和肺外动脉进行了分割。然后，根据大小（半径）将动脉划分为几个部分。利用自适应阈值和约束形态操作，识别在每个部分内可疑的PE区域。对于可疑区域是否为PE，根据其在动脉中的对比度进行评分。该方法应用于公开可用的RSNA肺栓塞CT数据集（RSNA-PE），以识别三维（3-D）PE阴性和阳性图像块，并用这些图像块来训练一个3-D复发残差U-Net（R2-Unet）来自动分割PE。该计算机算法的可行性在一个独立的测试集上进行了验证，该测试集包含从另一个医疗机构获取的91份CTPA扫描，其中PE区域是由一个胸部放射科医师（拥有超过18年经验）手动定位和勾画的。同时，还使用5折交叉验证方法对R2-Unet模型进行了训练和验证。在高置信度PE区域上训练的CNN模型显示的Dice系数为0.676±0.168，每个CT扫描的假阳性率为1.86；而在手动轮廓上训练的CNN模型显示的Dice系数为0.647±0.192，每个CT扫描的假阳性率为4.20。前者的性能显著优于后者（p<0.01）。

这一研发的PE检测和分割算法表现出色，表明可以在CTPA扫描上训练深度学习网络，而无需投入大量精力进行PE区域的手动标注。

研究结论：

我们开发并验证了一种新颖的策略，可以自动检测和分割CTPA扫描中显示的PE。一个独特的特点是，基于CNN的深度学习模型是在没有手动轮廓PE的情况下进行训练的。其基本思想是使用传统的计算机视觉算法在CTPA图像中识别高置信度的PE区域，然后基于这些高置信度PE提取3D图像块来训练基于CNN的分割模型。

参考文献：

Pu J, Gezer NS, Ren S, Alpaydin AO, Avci ER, Risbano MG, Rivera-Lebron B, Chan SY, Leader JK. Automated detection and segmentation of pulmonary embolisms on computed tomography pulmonary angiography (CTPA) using deep learning but without manual outlining. Med Image Anal. 2023 Jul 14;89:102882. doi: 10.1016/j.media.2023.102882. Epub ahead of print. PMID: 37482032.

Tags： Med Image Anal：使用深度学习自动检测和分割计算机断层扫描肺动脉造影（CTPA）中的肺栓塞