Page 147 - 南京医科大学自然版
P. 147

第44卷第8期            唐蛰雨，李绍钦，贾中芝. 基于CT图像的深度学习在主动脉夹层中的应用进展［J］.
                  2024年8月                     南京医科大学学报（自然科学版），2024，44（8）：1174-1178                      ·1175 ·


                            ［10］
                                                       ［11］
                快速精准诊治 ，还可以预测AD患者的预后 。                            具有统计学意义。然而，深度集成模型的特异性低
                    近年来，DL逐渐应用于AD的临床诊治，并且取                        于 3 位放射科医生，在外部测试队列中差异具有统
                得了显著进步，文章将详细阐述DL在AD快速精准                           计学意义    ［20］ 。此外，有研究团队将分割网络与条件
                诊断、分割、预测患者预后中的应用，并探讨当前研                           生成对抗网络相结合，以达到使用平扫CT图像即可
                究中存在的问题和优化策略。                                     合成高质量增强CT图像从而诊断AD的目的，该模
                                                                  型较单纯生成对抗网络性能更加优越，准确率达到
                1 DL概述
                                                                  0.808，灵敏度为 0.960，特异度为 0.668        ［21］ 。这些研
                    DL模仿人脑的数据处理方式，专注于从复杂数                         究共同展示了DL技术在医疗影像分析特别是在AD
                据中学习和做出决策。在医学领域，DL的应用是基                           诊断方面的巨大潜力和实际应用价值。即使在仅
                于其强大的识别、分析和解释复杂影像数据的能                             有平扫 CT 图像可用的情况下，DL 也能有效诊断
                力。目前有多重 DL 算法，均在医学影像处理中发                          AD，为无法接受增强CT的患者提供了一种新的、有
                挥着重要作用，且显著提高了疾病诊断的准确性和                            效的诊断手段。
                效率 ［12-13］ 。
                                                                  3 DL在AD的分割与直径测量中的应用
                    基于医学影像的 DL 的关键应用包括：①特征

                提取和识别，卷积神经网络（convolutional neural net⁃                DL 在 AD 分割和直径测量中的应用对于指导
                work，CNN）能够有效地从医学影像图像中自动提取                        AD 的手术治疗具有重要意义。首先，DL 通过提供
                和识别关键特征，如肿瘤            ［14-15］ 、裂缝或其他异常结          更精确和一致的分割结果，帮助临床医生更好地掌
                构；②图像分类和分割，U⁃Net等算法在图像分割任                         握病变的范围和结构，从而做出更合适的手术决
                务中表现出色，特别是在精确分割复杂医学影像的                            策。有研究纳入了45例B型AD患者，基于CT血管
                场景中   ［16］ ，如病理切片的分割。③数据增强和迁移                     造影图像数据，选择主动脉最长路径自动检测主动
                学习，DL通过数据增强和迁移学习能够克服医学影                           脉中心线，并根据主动脉中心线生成垂直于中心线
                像数据量少的限制，例如，迁移学习中的预训练                             的多平面重建（multiplanar reconstruction，MPR）图
                CNN减少了对大量标记数据的需求               ［17］ ；④图像重建        像，使用 CNN 模型对 MPR 图像进行真假腔的分割，
                和增强，生成对抗网络被用于提高医学影像的质                             结果显示：真腔的 Dice 相似系数平均值为 0.873，假
                量，如降噪和对比度增强           ［18］ ；⑤预测性分析，循环神            腔为 0.894，证明了该方法在自动分割和测量 B 型
                经网络和长期记忆网络在预测疾病进展或患者预                             AD 真假腔方面的有效性          ［22］ 。另一项研究中同样采
                后方面发挥着重要作用。                                       用了 CNN 来自动分割 B 型 AD，共纳入 139 例 B 型
                                                                  AD患者，训练后得到的DL算法在主动脉、真腔和假
                2 DL在AD诊断中的应用
                                                                  腔 的 平 均 Dice 相 似 系 数 分 别 为 0.958、0.961 和
                    对于增强 CT 使用受限的患者，DL 可以基于平                      0.932，显示出较高的准确性。该研究邀请2位放射
                扫 CT 对 AD 做出诊断。基于平扫 CT，DL 可以提取                    科医生测量直径，并将 2 位的测量结果取平均值作
                图像中 AD 的大量特征，从而实现影像学诊断。一                          为参考标准，测量结果差异较大时，由第3名放射科
                项回顾性研究纳入了 170 例 AD 患者，基于平扫 CT                     医生达成共识，研究团队将 DL 分割与手动分割进
                开发了一种辅助 DL 诊断工具，该算法的受试者工                          行比较，结果表明，手动分割和DL分割的测量结果
                作特征曲线下面积（area under curve，AUC）为0.940、             均与参考标准呈线性关系，且在主动脉、真腔和假
                准确率为0.900、灵敏度为0.918、特异度为0.882，在                   腔的测量上，对比参考标准DL的平均误差低于手动
                准确率、灵敏度和特异度方面，该DL算法与放射科                           方法  ［23］ 。此外，与手动分割方法相比，DL 方法在缩
                医生的平均水平无显著差异              ［19］ 。另有研究联合使           短测量时间及减少观察者之间的差异方面展现了明
                用三维 DL 模型和高斯朴素贝叶斯算法，基于平扫                          显优势。因此，DL在图像分割和直径测量的应用展
                CT检测AD，通过对主动脉分割和形态特征的提取，                          现出显著的潜力和价值。其次，研究表明：人工测
                这种集成模型对 AD 的检测表现良好，内部测试组                          量主动脉直径的误差可能大于不同类型支架直径
                的AUC为0.948，外部测试组AUC为0.969。该研究                     的间隔值（2 mm），这体现了准确的直径测量在选择
                还邀请了 3 名放射科医生读片，深度集成模型的灵                          合适支架方面的重要性           ［22，24-25］ 。最后，DL 技术的应
                敏度高于所有放射科医生，在外部验证队列中差异                            用，尤其是自动化分割技术，显著缩短了术前准备
   142   143   144   145   146   147   148   149   150   151   152