曹一挥：人工智能在IVOCT影像的应用

2018年7月22日，在首都召开的第十五届心脏影像及心脏干预大会（CICI 2018）上，中科院西安光机所OCT与生物光子学工程中心曹一挥博士分享了人工智能在血管内光学相干断层扫描（IVOCT）影像应用的最新进展，并在此次会议上进行了心血管OCT人工智能分析平台发布。

研究背景

人工智能在临床应用方向上越来越热，哈佛大学生物医学信息学系主任Isaac Kohane教授表示：AI的优势体现在其能标准、可重复、快速处理大量医疗数据；可使医师从重复性劳动中解放出来，从而更加专注于临床服务本身。IVOCT是一种术中介入成像，用来辅助手术决策，对影像的实时性解读要求高；其次它的分辨率非常高，可达到10~20μm，在临床常被喻为光学活检技术，由于分辨率高，因此其中蕴含着丰富的临床信息，有待进一步解读。IVOCT的这两个特点使其更需要人工智能技术，理由有如下三点：1. 术中影像需要医师实时给出结论，计算机比人工快；2. 手术现场一般只有术者，无法常驻影像学专家，术者需要会读图，AI可以让读图的成本降低；3. 影像的学习曲线长，AI使读图变得更加简单。IVOCT具有非常高的临床潜在应用价值，而AI在其中大有可为（Figure 1）。

Figure 1

IVOCT的潜在应用价值与AI需求

IVOCT影像分析

管腔自动分析：血管管腔的精准自动分割。现有商用OCT在分割内壁时，会将分叉血管也包含进来，很容易引起管腔度量的误差，因此有必要研究将分叉血管排除在外的AI算法。为此，用一个新的算法，在分割得到的内壁中，通过自动检测分叉口，利用分叉口的位置，将血管分成主血管与分叉血管两个区域，从而可以自动度量主血管的尺寸。Figure 2是一段血管一劈两半的3D显示，可以看到管腔上有很多小孔，这些小孔其实就是分叉血管，我们去除其对应位置的截面图，可以看到每个截面中的分叉血管都被准确识别到，并且准确排除了分叉血管，将主血管准确分割出来，并自动给出主血管面积、分叉血管面积、直径参数等曲线的变化趋势。

Figure 2

血管的3D显示

分叉血管角度评估：临床中，分叉病变是处理难度较高的一类复杂病变，其中，分叉角度是支架再狭窄的预测因子之一。为此，提出了一个基于血管中心的分叉角度估计方法，其主要思想是当计算出主血管与分叉血管的区域中心后，分叉角度就可以用中心点的连线进行估计，对一段分叉血管中的主血管与分叉血管中心依次计算，就可以估计这段分叉血管的角度。

薄纤维帽斑块（TCFA斑块）自动识别：临床发现TCFA斑块是诱发猝死的主要因素；OCT是目前可清晰识别TCFA斑块的唯一影像方式；TCFA斑块识别学习曲线长，AI技术在这个方向有重要的临床应用价值。为了研究自动识别TCFA斑块算法，特邀6位专家，从54000张图像中，标记出5290个易损斑块区域，6位专家平均每人耗时60小时以上。为验证基于深度学习的TCFA斑块自动识别算法的准确性，在50000张图像中挑选4000张测试图像进行验证，并与2位初级医生进行对比，其结果如Figure 3所示。

Figure 3

自动算法与初级医师的对比

AI在可降解支架分析的应用：Absorb BVS虽然停止了销售，但可降解支架的众多优点依然对临床有着巨大的吸引力。OCT是目前唯一可清晰分辨可降解支架贴壁情况的成像方式；可降解支架有很多个小梁，如果判断每个小梁的贴壁情况，需要较长时间，AI在这个方向的应用也具有重要价值。要评估可降解支架，首先要准确识别支架的位置，基于传统的机器学习方法，设计了检测支架位置的方法。另外也尝试利用深度学习设计基于深度学习模型的支架检测方法，并对两种方式进行对比，其结果如Figure 4。

Figure 4

传统方法vs.深度学习

心血管OCT人工智能分析平台发布

在一系列的分享后，迎来了最为重要的环节，曹一挥博士宣布由中国人民解放军总医院与中国科学院联合研发的全球首个心血管OCT人工智能分析平台正式上线。该平台能通过一键操作，辅助医师精准识别TCFA斑块。并告知现阶段正在做多类易损斑块的标注，在不久的将来，这个功能就会在平台上正式上线。此外，在心血管影像的辅助诊疗方面，单一影像绝对不能解决所有问题，而多种影像的融合一定是未来解决介入手术的终极武器。将造影、MRI、QCA、CTA、IVUS、OCT等多种影像进行融合，提取斑块特性、血流动力学、解剖位置等多特征信息，可以给医师带来更多帮助。

本文内容为《门诊》杂志原创内容转载须经授权并请注明出处。

门诊新视野｜微信号：ClinicMZ

《门诊》杂志官方微信