主动脉疾病，尤其是动脉瘤和夹层，是老年人中的常见疾病，经常需要进行复杂的手术治疗和定期随访检查。CTA是初步诊断、围手术期评估和随访的首选成像方法。通过CTA计算出的主动脉3D分割为血管内治疗前的定量评估或围手术期解剖结构的可视化提供了技术支持。虽然有许多基于各种算法的自动分割血管的软件解决方案，但在在存在管内血栓和异物（如支架移植物）的情况下，这些软件容易出现分割错误。因此，经常需要人工进行逐片校正。

为了克服这些缺点，人们对深度学习概念的研究越来越多。具体来说，卷积神经网络（CNN）已经超越了以往最先进的图像识别技术，包括在医学领域的不同应用中取得了不错的成果。但到目前为止，临床上对经常出现但具有多态性特征的整个主动脉的自动分割的综合方法仍未建立。

近日，发表在European Radiology杂志的一项研究评估了新开发的基于CNN的深度学习自动分割和量化主动脉瘤和夹层的软件解决方案在异质性CTA中的诊断性能，为实现主动脉病变的自动识别及分隔提供了技术支持。

本研究对2015年至2018年期间进行的191名患者（68.1±14岁，128名男性）的主动脉CTA检查进行了回顾性评估，并由两名阅读者手动分割。在这些数据上训练了一个三维U-Net模型，按7:1:2的比例分为训练组、验证组和测试组。对测试组的病例（n = 41）进行评估，以比较人工和自动分割。提取了Dice相似性系数（DSC）、平均表面距离（MSD）和Hausdorff表面距离（HSD）。对最大直径、有效直径和面积进行了量化，并对两种分割方法在八个解剖标志处以及动脉瘤的最大面积（如果存在的话）进行了比较（n = 14）。统计包括误差计算、类内相关系数和Bland-Altman分析。 

DSC为0.95[0.94；0.95]，MSD为0.76[0.06；0.99]，表明各段之间存在密切的一致性。HSD为8.00 [4.47; 10.00]。最大的绝对误差出现在升主动脉，最大直径为0.8 ± 1.5 mm，腹腔干的面积为-30.0 ± 81.6 mm²。动脉瘤的绝对误差结果为：最大直径为-0.5 ± 2.3 mm，有效直径为0.3 ± 1.6 mm，面积为64.9 ± 114.9 mm²。ICC显示定量测量之间有很好的一致性（> 0.9; p < 0.05）。 

 

图 4个不同病例的示例（a-d）及相应的定量参数的结果。第一行说明了轴位CT图像上的测量平面与主动脉的放大图像。黄色虚线表示血管壁，橙色点表示中心线的位置。接下来的两行展示了在这些测量点的有效直径和面积的测量结果，如左栏所示的手动和自动分割。病例a显示的是健康但对比度适中的主动脉，病例b显示的是两个管腔有不同对比度的夹层，病例c和d都有部分血栓的动脉瘤。定量参数显示，两种分割之间只有轻微的差异。

本研究表明，深度学习提供了一个有价值的、广泛适用的工具，在临床上具有代表性的病例中对主动脉进行准确的分割和量化，即使血管结构因疾病而改变，也在可接受的误差范围内。这样的算法可以作为未来自动量化主动脉和检测病变的基础。该算法可以支持临床上的快速诊断并简化临床过程，并从临床数据库中确定相关数据，以便有针对性地开发进一步的深度学习应用。

原文出处：

Malte Maria Sieren,Cornelia Widmann,Nick Weiss,et al.Automated segmentation and quantification of the healthy and diseased aorta in CT angiographies using a dedicated deep learning approach.DOI:10.1007/s00330-021-08130-2

Tags： European Radiology：深度学习方法在CTA中自动分割和量化的主动脉病变的应用