錢(qián) 山，楊明雷，黃 峰

數(shù)字減影血管造影（digital subtraction angiography，DSA）是傳統(tǒng)血管造影與電子計(jì)算機(jī)結(jié)合的影像技術(shù)，尤其在臨床心腦血管疾病的診斷和介入治療中具有重要價(jià)值[1]。但DSA圖像質(zhì)量容易受噪聲、運(yùn)動(dòng)偽影及輻射劑量的影響[2]。人工智能（artificial intelligence，AI）是基于計(jì)算機(jī)模擬人類(lèi)思維的一門(mén)學(xué)科，可通過(guò)回顧學(xué)習(xí)高質(zhì)量、大樣本DSA數(shù)據(jù)解決上述問(wèn)題，全面提升圖像質(zhì)量[3，4]。

醫(yī)學(xué)影像結(jié)合AI的概念，早在20世紀(jì)60年代即被提出[5，6]。目前，AI已在CT、MRI、超聲心動(dòng)圖等多種圖像領(lǐng)域取得了大量的研究成果，證明了AI在醫(yī)學(xué)成像及圖像處理領(lǐng)域的有效性和應(yīng)用潛力[7，8]。但是，AI在DSA領(lǐng)域的研究進(jìn)展緩慢。分析其發(fā)展緩慢的主要原因在于兩個(gè)方面：一方面，大多數(shù)用于實(shí)時(shí)手術(shù)導(dǎo)航的DSA圖像存檔數(shù)量相對(duì)較少，遠(yuǎn)不足以支撐DSA深度學(xué)習(xí)智能應(yīng)用的開(kāi)發(fā)；另一方面，DSA圖像通常具有較大的變異性，例如DSA圖像中常出現(xiàn)多種手術(shù)工具，這會(huì)加劇圖像增強(qiáng)和標(biāo)注的難度[9]。此外，隨著介入手術(shù)復(fù)雜程度的增加，介入治療時(shí)間相應(yīng)延長(zhǎng)，很可能導(dǎo)致患者和介入醫(yī)師暴露于更高的輻射劑量水平[10]。高劑量成像雖然會(huì)提高成像質(zhì)量，但也會(huì)增加醫(yī)生和患者的電離輻射損傷；而低劑量成像會(huì)增大圖像噪聲、降低成像質(zhì)量，影響疾病的診療[11]。當(dāng)介入醫(yī)師對(duì)患者進(jìn)行放射檢查和治療時(shí)，應(yīng)當(dāng)權(quán)衡利弊，這無(wú)疑增大了醫(yī)生的思想負(fù)擔(dān)和工作壓力[12]。因此，利用AI解決上述問(wèn)題成為臨床研究的重點(diǎn)。

筆者主要從DSA前端成像優(yōu)化和輔助顱內(nèi)動(dòng)脈瘤治療兩個(gè)方面介紹AI技術(shù)在DSA圖像領(lǐng)域的研究進(jìn)展，并對(duì)當(dāng)前DSA成像和AI結(jié)合可能遇到的問(wèn)題及未來(lái)潛在的發(fā)展方向進(jìn)行了分析。

1 人工智能在DSA圖像優(yōu)化的應(yīng)用

縱觀DSA成像的發(fā)展歷程，提升圖像質(zhì)量、降低輻射劑量一直是臨床研究的熱點(diǎn)[1]。下面主要介紹了在心腦血管DSA前端成像階段，AI在降低圖像噪聲和去除運(yùn)動(dòng)偽影方面的進(jìn)展。

1.1 心血管DSA降低圖像噪聲的研究

過(guò)去20年，包括三維塊匹配濾波（block-matching and three dimensional filtering，BM3D）[13]、學(xué)習(xí)同時(shí)稀疏編碼（learned simultaneous sparse coding，LSSC）[14]、非局部中心化稀疏表示（nonlocally centralized sparse representation，NCSR）[15]等在內(nèi)的多種降噪算法被提出。雖然這些算法具備一定的降噪效果，但降噪時(shí)間較長(zhǎng)[16]。近年來(lái)，隨著密集網(wǎng)絡(luò)學(xué)習(xí)（dense networks learning）、殘差學(xué)習(xí)（residual learning）、批處理歸一化（batch normalization）等模塊的出現(xiàn)，深度學(xué)習(xí)在降低醫(yī)學(xué)圖像噪聲方面展現(xiàn)出巨大的潛力[11]。Zhang K等[17]通過(guò)加深網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)算法及正則化等策略，提出了一種全新的降噪卷積神經(jīng)網(wǎng)絡(luò)（denoising convolutional neural networks，DnCNNs），該網(wǎng)絡(luò)能夠降低多種常見(jiàn)的圖像噪聲，如高斯噪聲、單圖像超分辨率圖像噪聲。大量實(shí)驗(yàn)表明，DnCNNs在一般圖像去噪任務(wù)中表現(xiàn)良好，并奠定了降低圖像噪聲的基礎(chǔ)。Luo Y等[18]研發(fā)了一種包含多個(gè)超密集模塊（ultra-dense blocks，UDBs）的超密集降噪網(wǎng)絡(luò)（ultra-dense denoising network，UDDN），用于降低心血管透視圖像噪聲。該網(wǎng)絡(luò)每個(gè)UDBs具有相同的卷積層，模塊之間參數(shù)共享，以節(jié)省內(nèi)存、加快運(yùn)算速度；通過(guò)各個(gè)殘差塊內(nèi)多路徑神經(jīng)單元之間的相關(guān)性，可提升信息交互和局部特征提取效率，更好地搜索低劑量透視圖像與全劑量金標(biāo)準(zhǔn)圖像之間的映射關(guān)系。在模擬和臨床數(shù)據(jù)集上的試驗(yàn)結(jié)果顯示，與DnCNNs相比，UDDN具有更高的峰值信噪比（peak signal to noise ratio，PSNR）和信噪比（signal-noise ratio，SNR），降低圖像噪聲效果更佳。

為了實(shí)現(xiàn)高質(zhì)量成像，降噪網(wǎng)絡(luò)的損失函數(shù)也有所創(chuàng)新。Wu C等[11]通過(guò)將DenseNet集成到DnCNNs中，提出了一種全新的降噪網(wǎng)絡(luò)Dense DnCNNs，支持低輻射劑量、高質(zhì)量DSA成像。該網(wǎng)絡(luò)保留了全部卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）級(jí)別的圖像特征，可避免降噪過(guò)程中梯度消失；網(wǎng)絡(luò)損失函數(shù)在L2損失函數(shù)（2范數(shù)）的基礎(chǔ)上添加了感知損失，提升降噪性能的同時(shí)，有效防止過(guò)度平滑，保持圖像邊緣清晰。研究人員利用臨床數(shù)據(jù)對(duì)比評(píng)估了DnCNNs與Dense DnCNNs的降噪效果。結(jié)果表明，Dense DnCNNs的PSNR平均為46.32 dB，高于DnCNNs（45.46 dB）；同時(shí)在視覺(jué)評(píng)估中，結(jié)合感知損失的Dense DnCNNs在防止過(guò)度平滑的前提下，能夠保留更多的圖像細(xì)節(jié)信息。目前，多數(shù)研究主要是對(duì)二維（two-dimensional，2D）圖像逐幀降噪，而圖像相鄰幀之間時(shí)間噪聲的去除仍是一個(gè)具有挑戰(zhàn)性的問(wèn)題。為了同時(shí)降低時(shí)間噪聲和空間噪聲，Wu C等[16]在Dense DnCNNs的基礎(chǔ)上提出了多通道降噪卷積神經(jīng)網(wǎng)絡(luò)（multi-channel denoising convolutional neural network，MCDnCNN）。該網(wǎng)絡(luò)基于DenseNet和DnCNNs構(gòu)建，圖像序列采用了改進(jìn)的多通道輸入層，不僅能夠從每幀輸入中進(jìn)行空間域的深度學(xué)習(xí)，而且還能夠充分利用相鄰幀之間的時(shí)間相關(guān)信息進(jìn)行時(shí)域?qū)W習(xí)，以最大限度地提高降噪效率[16]；同時(shí)，研發(fā)人員在L2損失和感知損失的基礎(chǔ)上，還引入了差分均方誤差（difference mean square error，Diff-MSE）附加項(xiàng)，用于計(jì)算時(shí)間噪聲導(dǎo)致的網(wǎng)絡(luò)性能的統(tǒng)計(jì)方差，提高網(wǎng)絡(luò)的魯棒性?；谡鎸?shí)臨床數(shù)據(jù)評(píng)估MCDnCNN降噪性能的試驗(yàn)證明，結(jié)合L2損失、感知損失和Diff-MSE損失的MCDnCNN具有卓越的時(shí)空降噪能力，圖像質(zhì)量顯著提升。

1.2 腦血管DSA圖像運(yùn)動(dòng)偽影去除研究

保證DSA圖像質(zhì)量的前提是掩模像（注射造影劑前掃描）與填充像（注射造影劑后掃描）的精確配準(zhǔn)。通常圖像配準(zhǔn)不良主要由被檢者的身體移動(dòng)、腸內(nèi)氣體運(yùn)動(dòng)和心臟搏動(dòng)等運(yùn)動(dòng)位移導(dǎo)致。不精確的圖像配準(zhǔn)會(huì)導(dǎo)致造影前后2幅圖像骨骼、軟組織等結(jié)構(gòu)空間位置的不一致，直接導(dǎo)致減影圖像中的運(yùn)動(dòng)偽影，進(jìn)而降低圖像質(zhì)量。因此避免上述運(yùn)動(dòng)偽影的產(chǎn)生是提高DSA圖像質(zhì)量的關(guān)鍵。

為此，Montoya JC等[19]基于AI提出了一種全新的圖像后處理技術(shù)，即三維血管造影術(shù)（three-dimensional angiography，3DA）。基于105例經(jīng)過(guò)臨床系統(tǒng)和標(biāo)準(zhǔn)注射方案得到的三維（three-dimensional，3D）旋轉(zhuǎn)血管造影圖像，對(duì)設(shè)計(jì)的后處理CNN進(jìn)行訓(xùn)練（35例）和驗(yàn)證（8例）；然后輸入測(cè)試組（62例）數(shù)據(jù)，訓(xùn)練過(guò)的CNN自動(dòng)將輸入圖像的每個(gè)體素分為血管、骨骼和軟組織3類(lèi)組織成分；最終基于測(cè)試組被分為血管組織的體素，生成3DA圖像。為了量化訓(xùn)練模型的泛化誤差，研究人員通過(guò)計(jì)算后處理CNN分類(lèi)的準(zhǔn)確度、靈敏度、精確度和Dice相似系數(shù)，定量評(píng)估了3DA圖像和3D DSA圖像的移動(dòng)偽影。評(píng)估結(jié)果表明，3DA是一種可靠的成像方法，可以精確地重建小血管、穿孔器等結(jié)構(gòu)，且3DA圖像與3D DSA圖像之間具有良好的一致性。相比于常規(guī)需經(jīng)2次旋轉(zhuǎn)掃描的血管造影，3DA無(wú)需掩膜圖像，可基于1次旋轉(zhuǎn)掃描的填充像自動(dòng)生成高質(zhì)量的3DA圖像，在不丟失診斷信息的前提下，顯著降低圖像掃描過(guò)程的輻射劑量；同時(shí)，由于3DA無(wú)需精確配準(zhǔn)掩膜像和填充像，圖像配準(zhǔn)誤差、交叉掃描等對(duì)造影圖像無(wú)影響。因此3DA避免了由于2次旋轉(zhuǎn)掃描的時(shí)間差導(dǎo)致的運(yùn)動(dòng)偽影，進(jìn)一步提升DSA圖像質(zhì)量，為臨床診療工作流的改善提供了參考[20]。類(lèi)似的思路，Gao Y等[21]基于深度學(xué)習(xí)技術(shù)，提出了一種殘差密集網(wǎng)絡(luò)（residual dense network，RDBN）。該網(wǎng)絡(luò)無(wú)需掩膜圖像，僅基于造影后的血管填充圖像，利用殘差密集塊（residual density block，RDB）的密集相連層提取高級(jí)圖像特征，自動(dòng)生成3DA圖像。研究人員采用PSNR、結(jié)構(gòu)相似性（structural similarity，SSIM）和特征相似度（feature similarity，F(xiàn)SIM）3種指標(biāo)，在包含人體頭部和腿部的臨床DSA數(shù)據(jù)集上開(kāi)展的評(píng)估試驗(yàn)表明，頭部數(shù)據(jù)可達(dá)23.731、0.877和0.894 6，腿部數(shù)據(jù)可達(dá)26.555、0.870和0.928 4。這說(shuō)明，該方法能夠基于實(shí)時(shí)血管填充圖像精確提取人體血管特征，有效避免了由于前后2次旋轉(zhuǎn)掃描期間患者運(yùn)動(dòng)可能導(dǎo)致的運(yùn)動(dòng)偽影，提高臨床醫(yī)生的診療效率，同時(shí)避免了采集掩膜圖像期間患者和醫(yī)生受到的X射線輻射。

2 人工智能輔助顱內(nèi)動(dòng)脈瘤診療

鑒別顱內(nèi)動(dòng)脈瘤的穩(wěn)定性是決定臨床治療策略的關(guān)鍵，尤其是微小動(dòng)脈瘤[22]。顱內(nèi)血管3D DSA對(duì)于顱內(nèi)動(dòng)脈瘤破裂概率的評(píng)估、危險(xiǎn)動(dòng)脈瘤的鑒別至關(guān)重要[23]。基于大量顱內(nèi)血管DSA圖像訓(xùn)練的AI模型，能夠有效解決醫(yī)生肉眼長(zhǎng)時(shí)間看片漏診、耗時(shí)長(zhǎng)等問(wèn)題，輔助預(yù)測(cè)微小動(dòng)脈瘤破裂的風(fēng)險(xiǎn)[24]。Kim H等[25]采用3D DSA自動(dòng)識(shí)別動(dòng)脈瘤，并構(gòu)建模型預(yù)測(cè)微小動(dòng)脈瘤破裂的風(fēng)險(xiǎn)。該研究共納入368例微小動(dòng)脈瘤患者，掃描含動(dòng)脈瘤血管6個(gè)方向（前、后、左、右、上、下）的3D DSA圖像，由神經(jīng)放射學(xué)專(zhuān)家提取感興趣區(qū)域。預(yù)測(cè)網(wǎng)絡(luò)基于Alexnet_v2架構(gòu)，包含3個(gè)最大池化層、2個(gè)drop-out層、3個(gè)全連接層和5個(gè)卷積層。研究人員基于272例患者數(shù)據(jù)進(jìn)行了前瞻性測(cè)試，并將靈敏度、特異度、總體準(zhǔn)確度和受試者工作特性 （receiver operating characteristics，ROC）曲線與醫(yī)生的評(píng)估結(jié)果進(jìn)行比較。驗(yàn)證結(jié)果顯示，該網(wǎng)絡(luò)預(yù)測(cè)動(dòng)脈瘤破裂的靈敏度為78.76%，特異度為72.15%，總體診斷準(zhǔn)確度為76.84%，ROC曲線下面積（area under curve，AUC）為0.755，顯著優(yōu)于醫(yī)生的評(píng)估結(jié)果（AUC為0.537；P<0.001）。這說(shuō)明，深度學(xué)習(xí)預(yù)測(cè)模型在評(píng)估微小動(dòng)脈瘤破裂風(fēng)險(xiǎn)方面是可靠的，有助于臨床工作中疾病的早期干預(yù)治療。

在實(shí)際臨床診療過(guò)程中，顱內(nèi)動(dòng)脈瘤破裂的影響因素眾多[26，27]，其中動(dòng)脈瘤的尺寸大小通常被列為動(dòng)脈瘤危險(xiǎn)分層中最重要的決定因素，醫(yī)生普遍認(rèn)為尺寸較大的動(dòng)脈瘤更危險(xiǎn)[28]。但也有研究表明，18%破裂動(dòng)脈瘤直徑＜4 mm，38%破裂動(dòng)脈瘤直徑＜7 mm。因此無(wú)論大小，形狀不規(guī)則才是動(dòng)脈瘤破裂最主要的決定因素[29]。為此，Liu Q等[22]基于微小動(dòng)脈瘤患者的DSA圖像，自動(dòng)提取動(dòng)脈瘤的放射組學(xué)衍生形態(tài)學(xué)特征，結(jié)合臨床信息構(gòu)建深度學(xué)習(xí)模型，以探索顱內(nèi)動(dòng)脈瘤破裂的決定性因素。該研究以回顧性分析病例中入組動(dòng)脈瘤的穩(wěn)定性和臨床特征為金標(biāo)準(zhǔn)，分析不同臨床變量和形態(tài)學(xué)特征對(duì)動(dòng)脈瘤穩(wěn)定性的影響。結(jié)果發(fā)現(xiàn)，平坦度是最重要的形態(tài)學(xué)特征；基于放射組學(xué)衍生形態(tài)特征訓(xùn)練的深度學(xué)習(xí)模型可用來(lái)預(yù)測(cè)動(dòng)脈瘤的穩(wěn)定性，從而指導(dǎo)臨床危險(xiǎn)分層。這說(shuō)明，綜合分析動(dòng)脈瘤尺寸及形態(tài)學(xué)特征，可提升臨床診斷中微型動(dòng)脈瘤的危險(xiǎn)分層劃分準(zhǔn)確度。但AI在顱內(nèi)動(dòng)脈瘤輔助診療領(lǐng)域的研究還處于初級(jí)的預(yù)測(cè)破裂與否階段，且都是在小規(guī)模樣本上進(jìn)行的，不足以進(jìn)一步探索更深層的模型，也不足以支撐其應(yīng)用于臨床實(shí)踐，仍需進(jìn)一步的探索。

3 總結(jié)與展望

筆者主要從DSA成像優(yōu)化和輔助顱內(nèi)動(dòng)脈瘤診療兩個(gè)方面介紹了當(dāng)前AI在心腦血管DSA成像的研究進(jìn)展。可以發(fā)現(xiàn)，目前AI在心腦血管DSA成像階段的應(yīng)用集中于降低圖像噪聲、降低輻射劑量及去除運(yùn)動(dòng)偽影等方面。顯然，AI的加入在促進(jìn)新一代血管成像機(jī)發(fā)展的同時(shí)，全面提高了臨床疾病診療的準(zhǔn)確度、均質(zhì)性和效率，有望從根本上改變現(xiàn)有的醫(yī)療模式。但是相比于CT、MRI等影像，目前DSA成像結(jié)合AI的應(yīng)用場(chǎng)景比較單一，且在一些已經(jīng)結(jié)合AI的疾病輔助診療領(lǐng)域（如顱內(nèi)動(dòng)脈瘤）尚處于初級(jí)階段，因此相關(guān)研究有待進(jìn)一步開(kāi)展。未來(lái)幾年，AI將會(huì)越來(lái)越多地應(yīng)用于DSA前端成像優(yōu)化及后端圖像分析，加速臨床中心腦血管疾病的自動(dòng)化診療進(jìn)程。值得注意的是，DSA成像速度的提高、圖像畸變的校正等方面的研究直接關(guān)系到成像質(zhì)量，相關(guān)的研究成果卻不多，是未來(lái)應(yīng)該努力的方向。

雖然基于深度學(xué)習(xí)的疾病診療模型能夠顯著提高診斷效率，但極大地依賴(lài)于訓(xùn)練數(shù)據(jù)的質(zhì)量、數(shù)量和多樣性。近年來(lái)，公開(kāi)的醫(yī)療影像數(shù)據(jù)庫(kù)數(shù)量越來(lái)越多，這是一個(gè)很大的進(jìn)步。但是這還不夠，仍有必要進(jìn)一步完善健康數(shù)據(jù)共享機(jī)制，或通過(guò)戰(zhàn)略合作關(guān)系，或通過(guò)國(guó)家政策扶持，創(chuàng)建大型、高質(zhì)量、精標(biāo)記的醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)，以訓(xùn)練能夠落地的高性能、本土化模型。其次，還應(yīng)在病灶區(qū)域分割、病變識(shí)別的基礎(chǔ)上，進(jìn)一步開(kāi)發(fā)支持同時(shí)處理多任務(wù)的輔助診療AI產(chǎn)品，打破當(dāng)前只能執(zhí)行單一疾病、單一任務(wù)的局面，早日覆蓋臨床診療的全流程。此外，在加大對(duì)放射學(xué)醫(yī)生、技師等進(jìn)行必要的AI培訓(xùn)力度的同時(shí)，有必要進(jìn)一步探究AI和醫(yī)生在實(shí)際臨床疾病診療流程中的優(yōu)勢(shì)和劣勢(shì)，通過(guò)設(shè)置獎(jiǎng)懲機(jī)制進(jìn)行反饋控制和策略互調(diào)，實(shí)現(xiàn)人與AI優(yōu)勢(shì)互補(bǔ)和智能交互，使AI真正成為醫(yī)生的得力助手。