李澤浩 ，劉寧國，董賀文，李廉杰，何恒輝，林麗華，劉茜，楊明真

1.華中科技大學同濟醫(yī)學院法醫(yī)學系，湖北 武漢 430030；2.司法鑒定科學研究院 上海市法醫(yī)學重點實驗室 司法部司法鑒定重點實驗室 上海市司法鑒定專業(yè)技術服務平臺，上海 200063

心血管疾病猝死占成年人猝死的第一位[1]。據統(tǒng)計[2]，在我國，心血管疾病引起的猝死占50%～60%，是危害性最大、猝死率最高的疾病。在法醫(yī)學領域，心臟性猝死疾病的相關心臟參數測量受主觀因素和人工測量方法的限制，使某些參數可能存在人為因素導致的估計偏差或測量偏差[3]，且由于法律法規(guī)和宗教習俗，一些心臟性猝死案例往往不能通過詳盡的法醫(yī)病理學檢驗進行診斷[4]。

隨著法醫(yī)學尸體檢驗技術的不斷發(fā)展，死后斷層影像學（postmortem cross-sectional imaging，PMCSI），也稱虛擬解剖（virtual autopsy）或解剖畫像（autopsy imaging，AI），可以在無需解剖的情況下獲取尸體內部的信息，具有便捷性、無創(chuàng)性、客觀性、直觀性、原位性等優(yōu)點[5]，可以在常規(guī)解剖前提供指導，在死因鑒定和心臟病理學研究中發(fā)揮著越來越重要的作用。有研究[6]利用CT 掃描對一名男性死者（60 歲）進行虛擬解剖，該死者因食管癌入院，行食管中上段癌根治術后10 h死亡，通過虛擬解剖發(fā)現(xiàn)其冠狀動脈左前降支鈣化，后經尸體檢驗明確死亡原因為冠心病繼發(fā)斑塊內出血。虛擬解剖作為一種非侵入性和無創(chuàng)性（或微創(chuàng)）的解剖方式，對閱片人員要求較高，而法醫(yī)病理學鑒定人員閱片水平參差不齊，且臨床影像學醫(yī)師對于人體死后產生的變化情況不甚了解。同時，PMCSI精準診斷的主要困難來自死后變化，因此，影像學分析結果會因閱片人員的知識局限性和主觀性出現(xiàn)一定的假陽性、假陰性，從而對影像分析結果產生影響。此外，由于虛擬解剖技術會產生海量的影像學數據，數據處理、閱片及數據分析的過程大大增加了工作量，且因人為等主觀因素造成影像學數據的偏差，可能對心臟影像和病理研究造成影響。

深度學習（deep learning）是機器學習的一種，可通過使用大量專家標記的數據和包含許多層的神經網絡架構進行訓練，達到與人類專家識別一致的效果[7]。雖然深度學習的結果依然受到人為因素的影響，但通過學習大量專家標記的數據，可以減少個人主觀因素造成的偏差，避免在應用過程中因閱片人員水平不同對影像分析結果產生的影響。應用深度學習等人工智能技術對海量的心臟影像學數據進行分析，為法醫(yī)學鑒定和科研工作者對心臟疾病進行精細診斷和定量分析提供了可能。

1 心血管影像研究的主要深度學習方法

深度學習的核心算法是人工神經網絡（artificial neural network，ANN），ANN 由大量人工神經元組成，每一個神經元可以有多個輸入，通過矩陣乘法——每個輸入通過乘以相應的權重并相加，生成的值隨后通過非線性函數的方式傳遞[8]。通過組合多層神經元，可以建立輸入和期望輸出之間高度非線性的關系，實現(xiàn)對數據的準確預測[9]。

ANN的原理如圖1所示。

圖1 ANN的原理圖Fig.1 Schematic diagram of ANN

1.1 全連接神經網絡（fully-connected neural net?work，F(xiàn)CNN）

FCNN 是一種基本的神經網絡結構，神經網絡中除輸入層之外的每個節(jié)點都和上一層的所有節(jié)點有連接。FCNN 具有更多的隱藏層，因此含有更多的神經元，具有更強的表達能力，幾乎可以擬合任何函數，具有很強的非線性擬合能力，因此適用于圖像分割等任務。但也因為其下一層神經元連接上一層所有的神經元，導致神經網絡中的權重太多且沒有利用像素之間的位置關系，并不適用于圖像識別等任務[10]。

1.2 卷積神經網絡（convolutional neural network，CNN）

CNN 是一種專門處理類似網格結構數據的神經網絡，在處理時間序列數據和圖像數據中具有極大優(yōu)勢[11]。與傳統(tǒng)的ANN 相比，CNN 的第一個優(yōu)勢是具有稀疏交互（sparse interaction）的特性，即無需每個輸入與輸出建立連接，僅檢測圖像中一些有意義的點來高效地表達多個變量之間的交互關系。如在分析圖像中，某些特征像素在整個圖像中的占比相對較小，CNN 無需檢測整個圖像就能發(fā)現(xiàn)這些特征像素。CNN 的第二個優(yōu)勢是參數共享（parameter shar?ing），傳統(tǒng)的神經網絡中每個輸入都具有一個相應的權重并只能使用一次，而CNN 只需要學習一個權重集合。因此，CNN 在計算機儲存和計算效率上大大優(yōu)于傳統(tǒng)的以稠密矩陣乘法算法為主的傳統(tǒng)神經網絡。CNN 的第三個優(yōu)勢是平移等變性（translation equivariance），即系統(tǒng)在不同的位置具有相同的工作原理且其輸出隨著目標位置的變化而變化。如在圖像分割任務中，當檢測目標在圖像中的位置發(fā)生了變化或相同的特征同時出現(xiàn)在不同的位置，CNN 仍能檢測到同樣的目標特征，輸出同樣的結果。由于CNN具有以上3 種特性，可以有效識別并保留特征參數，去掉大量不重要參數，因此其適用于心臟冠狀動脈鈣化識別等圖像識別任務。

1.3 全卷積網絡（fully convolutional network，F(xiàn)CN）

經典的CNN 具有數據輸入層、卷積層、池化層和全連接層。卷積層對圖像分塊并提取每一塊圖像的特征，全連接層將特征向量化。CNN 在卷積層之后會連接若干個全連接層，將卷積層產生的特征圖映射成一個固定長度的特征向量。該神經網絡的缺點是存儲開銷大，計算效率低下，像素塊的大小限制了感知區(qū)域的大小[12]。FCN 通過將傳統(tǒng)CNN 的全連接層全部轉換成卷積層，可以接受任意大小的輸入圖像，因此避免了由此產生的重復存儲和計算卷積等問題。由于FCN 可以從抽象的特征中恢復每個像素所屬的類別，即從圖像級別的分類進一步延伸到像素級別的分類，使得精確分割圖像成為可能，因此適用于心室的分割等圖像分割任務。

1.4 循環(huán)神經網絡（recurrent neural network，RNN）

RNN 是一種處理時序型輸入的神經網絡。經典的ANN 和CNN 網絡結構的輸入維度是固定的，且忽略了輸入節(jié)點間的橫向聯(lián)系，因此很難處理時序型數據[13]。在RNN中，神經元不僅可以接受其他神經元的信息，還可以接受自身的信息，并利用之前的信息影響后面節(jié)點的輸出，形成一個環(huán)路結構。RNN 通過不斷累加樣本實現(xiàn)預測，因此適用于磁共振成像分析、收縮末期和舒張期的容積監(jiān)測、圖像描述自動生成、心電圖監(jiān)測等任務。

1.5 生成對抗網絡（generative adversarial network，GAN）

上述神經網絡大多數是通過監(jiān)督學習的方式，即先通過已知結果的標記樣本訓練神經網絡，從而得到一個最優(yōu)模型，再將這個模型應用在新的數據上，以達到訓練深度神經網絡的目的。在有監(jiān)督的設置下，神經網絡通過一個人工標記的輸入圖像實例，預測輸出，計算誤差，然后計算每個系數對這個誤差的貢獻，隨后對神經網絡的所有系數進行相應的調整，使誤差最小化，這樣重復多次，直到誤差不再顯著降低為止。但是由于醫(yī)學數據較為龐雜，無法通過專家標記獲得準確的標簽。因此，使用無監(jiān)督學習的方法可以利用海量未標記的數據，其中最為流行的無監(jiān)督算法是GAN。GAN 存在兩個不同的網絡，即生成網絡（generator network）和判別網絡（discriminator net?work）。生成網絡通過接受一個隨機像素并生成圖像，判別網絡判別生成網絡的真實性。GAN 通過生成網絡和判別網絡不斷博弈，進而使生成網絡學習到數據的分布。由于GAN 中權重更新并非通過數據樣本，而是來自判定網絡，可以產生更加清晰的樣本，因此其適用于圖像增強和圖像去噪等任務[14]，如在低劑量造影劑或無造影劑的條件下，生成較為清晰的圖像。

2 深度學習在心臟影像領域的研究進展

深度學習在CT中主要應用于冠狀動脈的檢查及不同組織和器官的解剖定位和分割等。CT 對于鈣化顯影具有顯著優(yōu)勢。冠狀動脈鈣化（coronary artery calcification，CAC）掃描和冠狀動脈CT 血管成像（cor?onary artery computed tomography angiography，CCTA）可對動脈硬化的情況進行定性和定量評估。相關研究[15-18]結果表明，通過基于CNN 的深度學習可以在CCTA 圖像中自動識別并提取冠狀動脈樹，基于冠狀動脈鈣化的紋理特征識別冠狀動脈的功能性狹窄。在進一步的研究[19-20]中，CNN 可以自動計算冠狀動脈中心線并標記冠狀動脈樹段定位病變部位，進一步提高冠狀動脈分割與定位的能力。研究[21-23]結果表明，CNN對于檢測胸部非增強CT中的主動脈鈣化和冠狀動脈鈣化具有顯著的特異性。這表明在不使用造影劑的情況下，虛擬解剖也可以通過深度學習的方法精確檢測動脈粥樣硬化。ITU等[18]通過提取冠狀動脈樹的方式對冠心病患者冠狀動脈血流儲備分數（frac?tional flow reserve，F(xiàn)FR）減少量進行預測，其計算精度可與傳統(tǒng)計算流體動力學媲美，但由于部分容積效應（partial volume effect，PVE）會導致對小直徑冠狀動脈管腔面積的估計過高。FREIMAN 等[24]基于一種深度學習的自動算法將PVE納入CT血管造影FFR的評估，顯著提高了診斷敏感性。更多的研究[24-26]結果表明，深度學習與任何單獨運用CCTA 圖像的測量相比，在測量曲線下面積（area under the curve，AUC）、狹窄嚴重程度、鈣化斑塊及總斑塊體積等中有更高的敏感度和準確性。

其他基于深度學習對CT影像數據的研究著重于心臟及其組織的定位、分割及分類。COMMANDEUR等[27]使用2 個CNN 分別對心臟脂肪組織和心包進行分割。ZREIK等[15]使用基于多尺度的CNN對左心室心肌進行分割。研究[28-30]結果表明，在CCTA圖像中可以提取相關心肌壁厚度、造影劑透壁灌注比和灌注強度等心肌特征，提高了檢測心肌缺血的能力。LARSSON等[31]提出一種二步法，首先利用重心對器官進行標記，然后利用CNN 進行二值分類，該方法為高解剖變異性器官的分割提供了可靠的結果。EBERT 等[32-33]通過死后計算機體層成像（postmortem computed to?mography，PMCT）圖像對器官進行自動分割，用于計算器官質量及檢測出血性心包積液等異常。

心臟大血管磁共振成像（cardiovascular magnetic resonance imaging，CMR）對于心臟組織的成像具有顯著優(yōu)勢，主要應用于心臟內部結構的分割并基于此進行一系列的量化評估。使用CMR 對心臟結構進行分割可有效量化心功能。最近的深度學習相關研究[34]結果表明，其分割算法的精確性與人類專家相當，這為自動診斷心臟疾病提供了可能。一些系列研究[35-44]結果表明，CMR 可以實現(xiàn)對右心室、左心室、心內膜和心外膜的全自動、高質量分割，從而可以更可靠地估計心臟質量和功能參數?；谧笮氖业木珳史指睿嚓P研究[45]使用基于回歸方法的多視圖CNN直接計算左室射血分數（left ventricular ejection frac?tion，LVEF），這對于心功能的評估具有重要意義。XU等[46]使用CNN 直接在非對比劑心臟磁共振成像序列中描繪心肌梗死區(qū)域，該方法具有較高的精度和一致性，有利于快速作出心肌梗死的診斷。其他關于CMR 的深度學習研究還包括主動脈瓣膜的分割[47]（用于定量血流分數）、先天性心臟病中血與心肌的分割[48]、左心室長短徑的定位[49]等。

深度學習在其他成像中也有相應的應用。光學相干斷層掃描（optical coherence tomography，OCT）是一種干涉成像方法，可為冠狀動脈管壁提供高分辨率圖像以檢測動脈壁下斑塊沉積情況。ABDOLMANAFI等[50]通過深度學習模型學習川崎病的OCT 成像，其卷積網絡計算的分類結果具有較高的準確性、敏感性和特異性。GESSERT 等[51]通過深度學習模型直接從圖像中學習粥樣斑塊的分類，并取得了較高的準確性、敏感性和特異性。單光子發(fā)射計算機斷層成像（sin?glephoton emission computed tomography，SPECT）屬于核醫(yī)學CT技術。BETANCUR 等[52]運用SPECT與心肌灌注顯像（myocardial perfusion imaging，MPI）聯(lián)合分析評估阻塞性疾病，與現(xiàn)有的定量方法相比，深度學習可以明顯提高MPI的自動判讀。

3 深度學習在心臟性猝死虛擬解剖中的應用

在心臟性猝死虛擬解剖的法醫(yī)學實踐中，可以借鑒臨床影像的相關研究。虛擬解剖和臨床影像檢查對冠心病冠狀動脈鈣化情況、心肌梗死的診斷和范圍、心臟各個心腔的分割、心臟形狀異常、動脈瘤、心臟及心包破裂等具有高度的一致性。但臨床上對于人體死后特有的變化如死后血凝塊的形成、死后腐敗氣體的生成等沒有相關研究。因此，對于心臟疾病的法醫(yī)學診斷可以借鑒臨床影像學的研究，并在此基礎上增加人體死后特有變化的研究，形成適用于法醫(yī)學實踐的心臟性猝死影像深度學習算法。

3.1 缺血性心臟病

缺血性心臟病主要與冠狀動脈粥樣硬化性心臟病和心臟血供受損有關，其主要的病理表現(xiàn)有粥樣斑塊形成、冠狀動脈狹窄，非冠狀動脈粥樣硬化性心臟病主要有晚期閉塞性冠狀動脈內膜增厚、冠狀動脈夾層、冠狀動脈開口狹窄、冠狀動脈炎及動脈瘤、冠狀動脈栓塞、冠狀動脈痙攣和心肌橋等[53]。

對于缺血性心臟病的死后影像診斷主要基于冠狀動脈和心肌的評估[54]。萬雷等[55]的研究表明，尸體血管造影技術在判斷血管損傷或疾病方面可以起到關鍵輔助或替代作用。有研究[56]通過對離體心臟進行CT冠狀動脈造影發(fā)現(xiàn)其對于冠狀動脈狹窄程度的診斷與傳統(tǒng)組織病理學診斷具有較高一致性。最近一項對23例心臟性猝死者進行CT檢查的研究[57]結果表明，CT 對于缺血性心臟病的診斷價值有限。使用深度學習技術可以最大程度直觀呈現(xiàn)冠狀動脈的形態(tài)特征，自動識別并計算冠狀動脈狹窄程度，靈敏檢測鈣化并自動計算鈣評分，并且能夠有效解決CT 偽影等可視化難題，從而提高CT 對于缺血性疾病的診斷價值。一系列新技術如血管內超聲成像（intravas?cular ultra-sound imaging）及OCT 也可運用于冠狀動脈血管成像，為其提供更多檢測手段[58]。JACKOWSKI等[59]在2006 年首次對8 例尸體檢驗案例進行缺血心肌MRI 檢查，研究結果表明，MRI 能夠原位檢測到心肌梗死。一些學者[60-62]也報道了基于MRI 對冠狀動脈相關死因進行診斷。深度學習可以在此基礎上自動對心肌梗死的范圍、大小、形態(tài)進行評估，根據信號衰減程度估計梗死發(fā)生時間并有效量化心功能等指標，為缺血性心臟病的死因診斷提供更加詳實的證據。

血栓可以高度提示冠狀動脈粥樣硬化性心臟病，然而CT和MRI均不能有效區(qū)分生前血栓和死后血凝塊[63-64]。有研究[65]結果表明，生前血栓一般具有典型的形態(tài)特征（如圓形或橢圓形輪廓），分布與重力作用無關，常發(fā)生在肺動脈或腦動脈中心部位，死后血凝塊則表現(xiàn)出重力性分布（上層為血漿，下層為血細胞），而且生前血栓與死后血凝塊的組織成分也存在一定差異。在深度學習的基礎上，通過對血栓的CT值及形態(tài)進行分析，有望對生前血栓和死后血凝塊進行區(qū)分。

3.2 心肌病

心肌病主要分為擴張型心肌病、肥厚型心肌病、限制型心肌病、致心律失常性心肌病等，主要表現(xiàn)為心肌的增厚或擴張。MRI可以更好地區(qū)分組織性質，且無創(chuàng)、分辨率更高。鑒于前文所述，深度學習可以精準地從MRI心臟影像中分割各個心腔，通過測量心肌壁的肥厚及心臟形態(tài)，其對各種心肌病的診斷將成為可能。此外，有研究[66-67]通過心肌體積乘以心肌密度的方式，計算死者心臟或某個關鍵心室的質量。深度學習可高效準確地剔除心外膜及心內膜的體積，并準確分割各個心腔。

雖然肥厚型心肌病與高血壓心臟病等有相似的病理表現(xiàn)，但需要進行組織學檢查加以確認。有研究[68]結果表明，心臟MRI 對于某些病因的心臟肥大（心臟淀粉樣變性、結節(jié)病和法布里病）的晚期釓增強顯示不同的增強效果，有利于使用深度學習對MRI影像的灰度值進行學習，進而對不同病因的心肌肥大進行鑒別。

JACKOWSKI 等[69]報道了1 例右心室游離壁脂肪浸潤，MRI 顯示右心室頂端心壁變薄，提示系致心律失常性右室心肌?。╝rrhythmogenic right ventricular cardiomyopathy，ARVC）。研究[70]結果表明，MRI 增強掃描有潛力檢測到局部的心肌纖維化，局部的心肌纖維化可能是ARVC 的早期表現(xiàn)。使用深度學習可以更加靈敏地捕捉到心肌纖維化，從而發(fā)現(xiàn)一些早期和不明顯的病例。使用CT 同樣可以檢測到ARVC 的一些放射學特征，如脂肪浸潤和右心室擴張。

3.3 其他

心血管動脈畸形包括冠狀動脈畸形、主動脈竇瘤、主動脈瘤、主動脈夾層等，通過CT血管造影，深度學習可以自動將心臟動脈血管進行標記并分段，辨別畸形動脈的狹窄程度、形態(tài)特征、畸形部位等，并通過計算機處理生成三維立體影像，使得病變部位的呈現(xiàn)更加直觀。

感染性心內膜炎中，心內膜的細菌感染首先影響心臟瓣膜，死后MRI 影像可清晰顯示心臟瓣膜贅生物，深度學習技術可自動識別并通過形態(tài)特征及亮度特征與血栓、血凝塊等進行區(qū)分。

目前，深度學習技術在心臟性猝死虛擬解剖中的研究還較少，主要是因為能夠開展虛擬解剖研究的法醫(yī)機構數量較少；缺少法醫(yī)病理、醫(yī)學影像及人工智能相結合的專業(yè)研究人才及研究團隊；死后尸體的改變會對虛擬解剖影像分析產生影響，如體內尸斑的形成，由于體內血液沉積，在MRI 成像中表現(xiàn)為低信號區(qū)，與心肌梗死對應的低信號區(qū)難以區(qū)分[71]，腐敗氣體在MRI成像中表現(xiàn)為低信號，導致T2加權成像中心肌結構的喪失[72]等，以往的心臟影像人工智能分析主要研究臨床病例，直接將臨床研究的深度學習模型應用于死后尸體將會導致診斷的準確率下降。

4 深度學習在法醫(yī)心臟虛擬解剖中的應用前景

盡管深度學習已達到了較高的準確度和靈敏度，但還有許多問題亟待解決。對于相同的數據集，不同的研究人員可以得到差異很大的結果，主要原因是在訓練神經網絡時需要做出許多決定：如何對數據進行預處理，選擇哪種網絡架構（如ANN、CNN、RNN）、確定網絡深度（即層數）以及如何優(yōu)化網絡系數或系數的數量。

在未來的深度學習與心臟性猝死影像的研究中，一是由于深度學習需要大量的結構化數據，要建立適當的數據庫，對于臨床影像學，已有類似的數據庫開發(fā)，但對于法醫(yī)影像學亟須建立相關的數據庫，因此應加大對各相關研究機構影像學設備的投入，加強跨地區(qū)研究機構的溝通合作，實現(xiàn)數據共享；二是由于死后變化造成死后影像數據與臨床影像數據不同，因此需要更多數據對現(xiàn)有的網絡算法進行拓撲再訓練。根據新的拓撲網絡，建立特定的用于死后成像圖像的深度學習預測模型，這需要建立專業(yè)的法醫(yī)影像與深度學習學科交叉團隊共同完成。

綜上，虛擬解剖技術在法醫(yī)學實踐中具有重要意義，CT 血管造影是檢查冠狀動脈粥樣斑塊的有效手段，MRI是心肌放射性檢查的首選方式。然而由于案例及數據量較大以及缺少尸體檢驗影像學專家，深度學習技術可為影像圖像的自動診斷提供解決方案，且死后影像學檢查偽影較少以及低劑量造影劑造成的噪聲干擾較少，為深度學習提供了良好的學習資料。