Page 187 - 磁共振成像2024年7期电子刊
P. 187

综   述｜｜Reviews                       磁共振成像  2024年7月第15卷第7期  Chin J Magn Reson Imaging, Jul, 2024, Vol. 15, No. 7


          （deep learning, DL）的开发应用，通过算法自动化分                    工识别斑块、评估斑块、分割斑块存在以下问题：第
           割斑块，用现有的数据进行分析学习规律，提取大量                             一，需要专业且对粥样硬化疾病诊断具有丰富经验
           高维特征，构建诊断、预测模型来提高对斑块以及后                             的医生进行识别、评估；第二，人工识别和评估斑块
           续脑血管事件的评估的速度和准确性。目前 AI技术                            容易受到医生个人经验和主观判断的影响；第三，手
           在头颈动脉粥样硬化疾病中的应用进展尚未有系统                              动分割斑块可重复性差、精确度低。DL 模型能够基
           的总结。因此，本文将基于 AI 在头颈动脉粥样硬化                           于大量的训练数据学习特征并进行自动化和标准化
           斑块 HR-VWI 的斑块分割、明确斑块的性质、相应脑                         分割，提高了分割的准确性、效率和一致性，鉴于此
           血管事件预测的研究进展进行综述，旨在介绍该疾                              优势，目前 AI 在头颈动脉粥样硬化疾病 HR-VWI 图
           病的 AI 发展现状及面临问题，为动脉粥样硬化患者                           像分割的应用主要集中在 DL 模型的开发或者 DL 多
           卒中风险分层评估以及个体化治疗提供研究方向。                              模型联合方面，其余 AI 技术在头颈动脉斑块图像分
                                                               割方面暂未有涉及。
                                                                         [26]
           1 AI概述                                                   SHI 等 初次尝试 U-net 模型将 HR-VWI 全脑图
               ML 作为 AI 的重要分支，是通过学习训练数据                        像进行管壁及管腔分割，Dice 系数分别为 0.89、0.77，
           来调整模型参数，以最小化预测输出与真实标签之                              并将训练后的模型应用于 24 例存在管腔狭窄程度>
           间的误差    [10-11] ，主要分为监督学习、无监督学习和强                   50% 的症状性与非症状性大脑中动脉粥样硬化患
                       [12]
           化学习三大类 。目前，监督学习在诊断领域研究较                             者，发现与无症状患者相比，有症状患者的责任斑块
           多，对疾病的准确诊断、肿瘤的无创分期和分型具有                             归一化指数显著增加，与手动测量结果一致。WAN
           重要价值。无监督学习 则是利用无标签数据进行                              等 基于卷积神经网络开发了一种用于 3D HR-VWI
                                                                 [27]
                                [13]
           模型训练，主要用于聚类和关联问题，尽管适用于复                             图像分析颅内、外动脉形态学的自动化方法，包括追
                                                  [14]
           杂任务，但其结果可能不够准确。强化学习 是一种                             踪血管中心线、血管矫直和重整、血管壁分割和形态
           目标导向的学习和决策方法，反复实验和延迟奖励                              学测量，在分割颅内、外动脉管腔的 Dice 系数均为
           是其最重要的两个特征，其挑战在于如何在探索和                              0.9，颅内外动脉自动化测量所得的最大管壁厚度、标
           利用之间找到平衡，给智能体的反馈具有延迟性。                              准化指数与手动测量相比差异无统计学意义，同时
               DL 作为 ML 的主要分支被广泛应用，其核心原                        较人工测量迅速、精确，这有望促进大规模动脉血管
           理是构建多层神经网络模型，以模拟人类大脑的结                              壁形态学定量。
                                                                          [28]
           构和功能。通过反向传播算法调整神经网络中的权                                   WU 等 提出名为 DeepMAD 的集成网络，用于
           重，使模型能够逐层学习和提取不同层级的抽象特                              HR-VWI 颈动脉血管壁的分割和动脉粥样硬化的诊
           征，从而实现高度准确地分类、识别和预测                    [15-17] 。卷   断，在两个测试数据集上对 DeepMAD 集合网络进行
           积神经网络是 DL 中最为广泛应用的模型之一，在医                           了评估，结果表明实验结果与颈动脉斑块手动标记
           学图像分类、分割和检测等领域发挥着重要作用                      [18-20] 。  一致。此外，还发现训练好的 DeepMAD 网络可以成
           影像组学是结合定量分析与 ML算法的产物，利用自                            功应用到其他数据集中。在此基础之上，该团队利
           动化算法从感兴趣区域提取大量特征信息，然后采用                             用多任务学习技术同时加入一个门控多任务网络在
           多样化的统计分析对这些特征信息进行解析。经过                              HR-VWI 上进行颈动脉管腔、外壁分割、进行颈动脉
           筛选后的特征被用来构建 ML模型，应用于疾病的辅                            粥样硬化诊断 ，发现模型分割管腔的 Dice 系数达
                                            [24]
           助诊断、分类或分级         [21-23] 。当前的研究 还涉及将 DL            0.97、分割颈动脉外壁的Dice系数达0.97和做出颈动
           与影像组学相结合，通过 DL 自动识别和分割颈动脉                           脉粥样硬化诊断的曲线下面积（area under the curve,
           斑块，为斑块分割提供新的解决方案。                                   AUC）为0.952 。由此可见，使用DL在图像分割、病
                                                                            [29]
               DL 作为 ML 目前最具有发展潜力的子领域，大                        灶相关测量除了提高处理效率外，可达到甚至超过
           模型应用通过利用大规模数据和计算资源训练 DL                             手工分割的精确度。DL 对数据质量和多样性要求
           模型构建，如基于注意力机制的 Transformer 模型、                      较高，多数研究的数据集不够大，未来在多个大数据
           Diffusion 生成模型、GPT 系列、BERT 等，在自然语言                  集中测试后可尝试用于临床试验，以帮助放射科医
           处理、图像生成等领域取得显著成就，为 AI技术在医                           生执行烦琐的读取任务。
           学领域的应用拓展开辟新的可能性。                                    2.2 斑块性质评估
                                                                    随着研究不断进展表明，大多数 AIS是由于斑块
           2 AI 在头颈动脉粥样硬化疾病 HR-VWI 中的不同                        破裂引起，相较于管腔狭窄，斑块的形态学及成分评
           应用                                                  估与最终的缺血性脑血管事件更为相关                     [30-31] 。影像
           2.1 图像分割                                            组学从斑块提取高维度特征并联合 ML 算法构建诊
               HR-VWI 技术在观察颅内外动脉管壁及斑块形                         断模型是近期 AI 技术评估头颈动脉斑块性质的主
           态学定量、成分定性分析上具有巨大的优势 ，但人                             流，相较之下，其他 AI技术在评估头颈动脉斑块性质
                                                   [25]
          ·180 ·                                                                      https://www.chinesemri.com
   182   183   184   185   186   187   188   189   190   191   192