冠状动脉疾病（CAD）是老年人中十分常见的死亡原因，而且发病率仍在增加。因此，临床上需要对疾病负荷进行更准确的评估以确定有可能发生重大不良心脏事件（MACE）的个体。冠状动脉计算机断层扫描（CCTA）是可视化和量化CAD的有效无创工具。最近的指南已经认可CCTA作为评估有症状患者的CAD的首要工具。

斑块体积评估，尤其是成分测量方面，可改善MACE预测和整体临床预后。此外，这些分割也可用于放射组学和机器学习研究，并可能形成未来对CAD的定量评估。然而，如果没有强大而准确的自动分割算法，在临床实践中广泛采用容积分析是无法实现的。最近，深度学习（DL）算法已被用于医学图像的自动分割。心血管成像领域的一些有希望的结果表明，U-net DL架构特别适合准确定义影像学图像上的特定器官或异常情况。
近日，发表在European Radiology杂志的一项研究开发并评估了一个开源的DL模型在CCTA上对CAD进行分割的性能，并评估了转移学习在提高该模型准确性方面的价值。

本研究共纳入评估了38人的894张CCTA扫描图像，其中有3035个由专家读者手动分割的斑块（被认为是基础事实）被用来训练（186/308，60%）、验证（调整，61/308，20%）和测试（61/308，20%）一个三维U-net模型。本研究还在一个外部测试集上评估了该模型，该测试集由50个在不同部位获得易损斑块的患者组成。此外，本研究对77个个体的数据进行了迁移学习，并使用类内相关系数（ICC）重新评估了模型的性能。 
在测试集上，DL的表现优于目前使用的最小成本法，以量化总ICC：0.88 [CI: 0.85-0.91] vs. 0.63 [CI: 0.42-0.76], 非钙化: 0.84 [CI: 0.80-0.88] vs. 0.45 [CI: 0.26-0.59], 钙化：0.99 [CI: 0.98-0.99] vs. 0.96 [CI: 0.94-0.97], 以及低密度非钙化：0.25 [CI: 0.13-0.37] vs. -0.01 [CI: -0.13 to 0.11] 斑块体积。在外部数据集上，转移学习后观察到DL模型性能的大幅提高，总：0.62 [CI：0.01-0.84] vs. 0.94 [CI：0.87-0.97]，非钙化：0.54 [CI: -0.04 to 0.80] vs. 0.93 [CI: 0.86-0.96], 钙化：0.91 [CI:0.85-0.95] vs. 0.95 [CI: 0.91-0.97]和低密度非钙化0.48 [CI: 0.18-0.69] vs. 0.86 [CI: 0.76-0.92]。 

图 MCA和DL分割的代表示例。最上面一行描述了一个冠状动脉斑块的横截面，在这种情况下，DL算法正确识别了动脉粥样硬化病变，而MCA算法则没有。底部一行显示的是两个算法都未能正确识别斑块的横截面。DL，深度学习；MCA，最小成本法

本研究表明，提出的DL模型取得了与人工分割相当的结果，并在进行斑块体积的定量分析方面明显优于目前使用的MCA方法。本研究已经向社会公开了所提出的拟合模型，以促进在日常临床实践中实施斑块体积的定量分析。本研究鼓励科学界在其他机器上提供转移学习模型，并鼓励软件供应商将这些模型实施到他们的CAD分析软件中，以实现更大范围内的护理质量的提高，帮助减少冠状动脉粥样硬化患者诊断及治疗方面的负担。

 

原文出处：

Natasa Jávorszky,Bálint Homonnay,Gary Gerstenblith,et al.Deep learning-based atherosclerotic coronary plaque segmentation on coronary CT angiography.DOI:10.1007/s00330-022-08801-8

Tags： European Radiology：基于深度学习的冠状动脉粥样硬化斑块分割在CCTA上的应用