機器視覺技術在冠狀動脈造影檢查中的應用研究進展

陳珍珍，代國方，李超，耿啟迪

1 河南中醫藥大學學位與研究生教育洛陽工作部，鄭州 450046；2 北京中醫藥大學東直門醫院洛陽醫院心血管二病區；3 長安大學信息工程學院

冠狀動脈造影是一種較為安全可靠的有創診斷技術，可以幫助醫務工作者評估冠狀動脈的狹窄程度，為后續治療提供依據［1-2］。然而，目前冠狀動脈造影有著圖像質量較低、工作流程繁瑣等問題［3］。隨著科技技術的發展，許多研究人員開始使用機器視覺技術對當前冠狀動脈造影檢查進行優化［4］。機器視覺技術輔助冠狀動脈造影檢查的方法大致分為傳統方法以及基于人工智能的方法［5］。針對冠狀動脈造影圖像中存在大量復雜噪聲干擾等問題，有研究人員提出使用機器視覺技術對冠狀動脈造影圖像進行增強處理，加強圖像的細節信息［6］；針對冠狀動脈造影圖像中血管細節部分不易與噪聲分離問題，有研究人員提出使用機器視覺技術對冠狀動脈造影圖像進行血管分割，專注于圖像中血管部分的深層形態［7］；針對不同醫務工作者主觀診斷對后續治療方案帶來的影響，有研究人員提出使用機器視覺技術對冠狀動脈造影圖像中血管的狹窄部分進行檢測，并根據狹窄部位進行狹窄程度判斷［8］?，F就機器視覺技術在冠狀動脈造影檢查中的應用展開綜述，旨在為冠狀動脈病變診斷準確率以及效率的提升提供參考。

1 機器視覺技術在冠狀動脈造影圖像增強中的應用

冠狀動脈造影成像過程中易受到諸多外部因素的干擾，如造影劑在血管中的分布不受人為控制，可能會使冠狀動脈造影圖像灰度分布不均；心臟部位具有復雜的冠狀動脈結構，細小的血管不易被醫生捕捉等。冠狀動脈造影成像過程中會受到噪聲干擾，人體骨骼或者其他組織也會降低圖像的清晰度及對比度。為了提高冠狀動脈造影圖像質量，降低上述干擾因素帶來的負面影響，研究人員開始關注應用機器視覺技術輔助冠狀動脈造影進行圖像增強。

1.1 傳統機器視覺技術 傳統機器視覺技術輔助冠狀動脈造影圖像增強的方法有基于形態學操作估計血管結構的方法、基于不同濾波器的增強方法、基于Hessian矩陣的增強方法等。

形態學方法專注于冠狀動脈造影圖像的血管部分，利用腐蝕、膨脹以及頭帽法等形態學算子對冠狀動脈造影圖像中血管部位進行增強，減弱冠狀動脈造影圖像背景，但該方法對于微小血管的增強效果一般［9］。汪維華等［10］將修正后的形態學算子連接無監督血管捕獲算法標記血管，利用形態學中的高低帽變換提高了血管部位與背景的對比度，從而提高冠狀動脈造影圖像質量?；诓煌瑸V波器的增強方法采用可變方向濾波器進行濾波操作［11］，捕獲全方位的動脈血管，隨后使用小波變換進行圖像特征融合，獲取動脈血管特征信息，最后通過非線性反銳化掩膜操作，多層次增強冠狀動脈造影圖像信息［12］。基于Hessian 矩陣的增強方法通過分析血管的管狀結構，利用Hessian 矩陣特征值構造濾波器，從而達到增強冠狀動脈造影血管結構特征的效果［13］。相較于形態學方法及基于不同濾波器的增強方法，Hessian 矩陣構建的多尺度濾波器可以較好地保留血管邊緣信息，增強細小血管的特征信息，使冠狀動脈以及諸多細小血管的結構更加清晰平滑，提高可視化效果［14］。

1.2 基于人工智能的機器視覺技術 傳統機器視覺技術輔助冠狀動脈造影圖像增強通常致力于增強血管的邊緣信息，提高冠狀動脈造影圖像的對比度，弱化外部噪聲帶來的影響，取得了較好的增強效果，但是其僅適用于光照環境恒定的情況下，適用性較差；且由于其復雜的計算量，實時性較差［15］?；诖?，出現了利用人工智能進行冠狀動脈造影圖像增強的方法。人工智能機器視覺技術與傳統機器視覺技術之間的區別為，傳統機器視覺技術利用結構化方法的主要思想，各個任務階段逐步展開；而人工智能機器視覺技術模仿人體生物學中事物的認知方法，例如嬰兒在認知過程中首次見到某些事物，人為告知嬰兒該事物的具體信息，循環往復該過程，不斷刺激大腦皮層下神經元細胞，從而獲得認知事物的能力。計算機通過將實驗集和結果集送入卷積神經網絡，經過大量的訓練學習，使計算機具備認知事物或者執行特定任務的能力［16］。

通過對比正常光照條件下與低照度環境下的冠狀動脈造影圖像發現，低照度環境下出現對比度下降、局部細節丟失、圖像灰度分布不均等問題。Retinex-net 神經網絡能夠模擬人類視網膜皮層的成像原理構建亮度增強和減少照明的分布式模型，該模型可提高醫學圖像對比度，從而增強圖像，但Retinex-net 基礎網絡的適用環境較為單一［17］?；诖?，吳培源等［18］提出使用改進Retinex-net 模型的冠狀動脈造影圖像增強技術，該方法在Retinex-net 神經網絡模型基礎上，結合暗通道先驗理論提高血管暗區的亮度，減小明亮區域對血管的干擾，修改Retinex-net 網絡模型中的損失函數，提高模型真實值與預測值之間的擬合能力。隨后在Retinex-net網絡模型基礎上增加反射網絡，將初步分解處理后的反射圖像進一步增強，較好地解決了圖像灰度分布不均問題。

評價圖像質量的指標包括對比度、平均梯度、信息熵等［19］。對比度越大，圖像灰度反差越大，合理的對比度值可以增強人體血管邊緣特征信息；平均梯度值越大，反映的詳細級別越高，圖像的清晰度越高；信息熵越大，圖像包含的信息量越大。目前主流的冠狀動脈造影圖像增強方法有Hessian矩陣、基礎Retinex 模型以及改進Retinex-net 模型等，其中改進Retinex-net 模型方法的對比度為5.639 1、平均梯度為12.162 9、信息熵為6.483 9，該方法具有較強的冠狀動脈造影圖像增強能力。

2 機器視覺技術在冠狀動脈造影血管分割中的應用

近年來，冠狀動脈造影的數據量增長較快，然而我國相應醫療專業人員基數小且增長緩慢。由于醫務工作者根據冠狀動脈造影圖像進行診斷的關鍵點在于圖像中血管的形態特征，因此大量研究致力于利用機器視覺技術輔助冠狀動脈造影進行血管分割，將圖像中血管部分著重標注，從而緩解醫務工作者的診斷壓力。

2.1 傳統機器視覺技術 傳統機器視覺技術主要利用血管圖像區域間不連續性和區域內相似性兩個特性輔助冠狀動脈造影進行血管分割，主要的方法有基于邊界、區域以及特定理論和工具的方法。

基于邊界的血管分割方法中應用較為廣泛的是基于模型以及跟蹤的分割算法［20］。基于模型的血管分割算法將冠狀動脈造影圖像區域的曲線或者曲面分別定義，在外力作用下使其持續發生形變，當外力與內力保持一致時，即可獲得血管邊界信息。YIM等［21］將血管結構數字化為模型，將冠狀動脈造影圖像區域的曲線或者曲面作為參數，把血管管腔看作一系列相互垂直的橢圓結構，通過參數預測得到血管模型，但該方法在血管重疊的區域分割效果一般。DEHMESHKI 等［22］提出了一種時間相關的水平模型，該模型使用區域自適應分割算法，可以改善冠狀動脈造影圖像中血管裂縫、空洞以及重疊的問題?；趨^域的血管分割方法有聚類、區域生長以及閾值法等。聚類法將相似像素進行聚類，實現血管分割，常用的聚類方法有K-means、模糊C 均值以及分層聚類等；區域生長法利用灰度相似性和空間鄰近性實現冠狀動脈造影血管分割；閾值法提取目標與周圍背景的閾值差異進行血管分割［23］?；谔囟ɡ碚摰难芊指罘椒☉幂^為廣泛的是基于形態學的方法，該方法利用結構元素對圖像進行操作，使用頭帽法和分水嶺法進行血管分割。

2.2 基于人工智能的機器視覺技術 隨著計算機視覺技術的不斷革新，人工智能輔助醫學圖像處理取得較大進展。冠狀動脈造影血管分割屬于人工智能中語義分割的范疇，由于卷積神經網絡強大的適用性和非結構化的設計理念，基于人工智能的冠狀動脈造影血管分割方法相較于傳統方法更為高效。

伯克利等提出的全卷積神經網絡（FCN）開啟了語義分割模型改進的浪潮［24］。利用FCN 進行冠狀動脈造影血管分割需要預測圖像中的每一個像素，同時能夠解決冠狀動脈造影圖像像素的定位問題，FCN 將池化層的結果同步到譯碼過程，得到了準確率更高的輸出結果。DONG 等［25］利用U-Net 網絡模型輔助冠狀動脈造影進行血管分割，該模型將上采樣層提取到的特征信息加入到譯碼器，很大程度上提高了血管分割的準確率，U-Net 網絡模型廣泛應用于醫學圖像分割，在細胞分割、冠狀動脈造影血管分割以及視網膜血管分割領域均取得了很好的分割效果。CHEN 等［26］提出的Deep Lab 網絡模型利用膨脹卷積結構輔助冠狀動脈造影進行血管分割，使用空洞卷積代替普通卷積，替換單尺度為多尺度，提高了語義分割的空間分辨率和模型特征提取能力，能夠更為準確地分割血管。為了實現自動分割冠狀動脈造影序列圖像，李高陽等［27］提出改進FCN 結構，實時獲取冠狀動脈造影血管樹，使用條件隨機場處理分割結果，將該方法輸出的分割結果與醫生標注結果對比，發現具有高度一致性，提示分割效果良好。

評價血管分割效果的指標包括Dice 系數、敏感度以及特異度［28］。Dice 系數越高，則樣本間相似度越高；敏感度越高，識別真血管的能力越強；特異度越高，識別假血管的能力越強。目前主流的冠狀動脈造影血管分割方法有改進FCN、DenseNet121、PSP-Net 以及Youssef 等，其中改進FCN 模型的Dice系數為0.89、敏感度為0.93，特異度為0.98，該方法具有較強的冠狀動脈造影血管分割能力。

3 機器視覺技術在冠狀動脈造影血管狹窄檢測中的應用

對冠狀動脈造影圖像進行血管分割之后，通過對血管部位進一步分析，可以得到血管部位的狹窄度信息。冠狀動脈血管狹窄檢測是評估心臟系統病變的重要指標，用來定量分析病變的范圍和嚴重程度。在心臟介入手術中，血管狹窄部位的位置信息對臨床醫生的治療操作起著至關重要的作用。

3.1 傳統機器視覺技術 傳統機器視覺技術輔助冠狀動脈造影血管狹窄檢測方法主要是根據冠狀動脈造影圖像中血管的像素信息推理出血管的直徑信息，通過設定閾值判斷血管狹窄程度。

JIANG 等［29］提出一種智能剪刀算法用來操作血管，利用交互式分割方法使用戶可以精確獲取圖像中的血管邊緣，隨后通過邊緣相交信息獲得血管直徑信息。但該方法僅可獲得部分血管的直徑信息，難以檢測出所有狹窄血管。針對血管狹窄程度評估問題，WAN 等［30］使用基于Hessian 矩陣增強方法、改進的匹配規則以及水平集分割血管等原理，首先進行冠狀動脈造影圖像增強工作，隨后使用水平集模型分割血管，利用改進的模型規則計算得出血管的切線、直徑變換曲線以及殘差曲線，狹窄血管即為殘差曲線的各階段最小值點，該方法可以準確識別并量化冠狀動脈血管狹窄程度。增強后的冠狀動脈造影圖像能夠更好地進行狹窄血管檢測，可用融合擴散濾波和形態學算子的方法進行圖像增強和血管分割，提取冠狀動脈血管的中心線，針對血管中心線位置的直徑信息判斷冠狀動脈血管狹窄程度。KLEIN等［31］在基于中心線的方法上進行改進，使用B 樣條蛇形模型量化血管，將血管信息數字化，更加精準地利用血管中心線評估血管直徑狹窄程度。王明霞等［32］使用融合擴散濾波和形態學的方法進行圖像增強和血管分割，提取冠狀動脈血管的中心線，針對血管中心線位置的直徑信息判斷冠狀動脈血管狹窄程度。由上可見，傳統機器視覺技術輔助冠狀動脈造影血管狹窄檢測方法具有較好的移植性以及較高的評估效率，但是存在著操作復雜、實時性差以及適用性差等問題。

3.2 基于人工智能的機器視覺技術 近年來，人工智能技術廣泛應用于醫學影像處理，利用人工智能技術進行血管狹窄檢測一般可分為兩個階段：冠狀動脈血管的分割識別及血管狹窄程度的評估［33］。

DU 等［34］利用卷積神經網絡分別進行血管分割和病變程度檢測工作，其將生成對抗網絡應用于血管分割，同時輸出所有的血管病變位置用來輔助評估血管狹窄程度。為了簡化模型訓練的流程，可使用遞歸神經網絡進行血管狹窄檢測，該方法不需要標注數據集，依照臨床醫生診斷報告進行模型訓練，可以精準地完成端到端的血管狹窄檢測。周瑩等［35］以Faster R-CNN 網絡模型為基礎，設計對比實驗找到Faster R-CNN 網絡模型的最佳特征提取結構，隨后進行訓練得到血管狹窄檢測模型，成功地預測出血管狹窄的位置。叢超等［36］提出一種全自動端到端的人工智能檢測血管狹窄方法，其利用監督學習技術和冠狀動脈造影定量分析輕度訓練標簽，在多類型數據集上進行全面驗證，可精確地檢測到血管狹窄位置。

評價血管狹窄檢測網絡模型的指標有分類準確度、F1 分數及Kappa 分數［37］。分類準確度越高代表模型正確預測出狹窄血管的能力越強；F1 分數融合了模型的精確率和召回率，F1 分數越高代表模型預測狹窄血管性能越強；Kappa 分數是衡量模型分類準確率的指標，通常Kappa分數的取值區間為0至1，其值越高代表模型區分正常血管與狹窄血管能力越強。目前，利用人工智能輔助冠狀動脈造影預測狹窄血管的主流方法有基于QCA 算法、基于血管分割算法、循環神經網絡算法以及U-Net 算法，其中循環神經網絡算法的分類準確度為0.80、F1 分數為0.70、Kappa 分數為0.64，該方法具有較強的冠狀動脈造影血管狹窄檢測能力。

綜上所述，快速發展的機器視覺技術廣泛應用于醫學影像學領域，基于傳統及人工智能的機器視覺技術有助于輔助冠狀動脈造影進行更準確的狹窄血管智能預測與定位，進而實現冠狀動脈各種病癥的智慧診斷。目前，輔助冠狀動脈造影進行狹窄血管檢測的部分機器視覺可視化軟件已投入臨床使用，其可減少輸出檢查報告的時間，給出客觀的診斷結果，但是諸多模型的適用性和實時性仍需進一步提高，尤其是基于人工智能的機器視覺技術輔助冠狀動脈造影進行狹窄血管檢測依然具有廣闊的發展空間。