面向冠状动脉堵塞辅助诊断的医学影像智能分析技术研究

Cardiovascular disease has become one of the leading causes of death worldwide in modern society. In clinical practice, cardiovascular disease is mainly manifested as abnormal coronary artery stenosis and blockage. The traditional diagnosis of cardiovascular disease is based on the assessment of a reduction in longitudinal diameter on angiographic imaging, or the reduction in the size of the lumen of a blood vessel on computed tomography (CT) imaging. Traditional diagnosis relied heavily on the doctor's clinical experience and required a lot of time and financial resources, leading to large-scale studies that were time-consuming and infeasible. Artificial intelligence technology represented by deep learning is increasingly becoming a powerful tool for assisting diagnosis of coronary artery occlusion. This project starts from the characteristics of cardiac CT images and coronary artery occlusion diagnosis. Based on deep learning theory, a computer-aided diagnosis model and technique for coronary artery occlusion based on deep learning of CT images are developed. This technology uses an innovative deep neural network model to automatically segment coronary artery blockage lesions, grade and quantify the severity of coronary artery calcification and stenosis, and intuitively and accurately reflect the location and stenosis of lesions and occlusion. The results of this project study can provide technical support for the diagnosis of coronary artery occlusion and screening for large-scale cardiovascular disease, thereby contributing to the improvement of people's health.

心血管疾病已经成为现代社会中全世界死亡的主要原因之一。在临床上，心血管疾病主要表现为冠状动脉异常狭窄和堵塞。传统的心血管疾病诊断基于在血管造影成像上评估纵向直径的缩小，或在计算机断层扫描（CT）成像上测量血管官腔面积的缩小。传统诊断很大程度依赖医生的临床经验，需要耗费大量时间和财力，导致大规模的研究费时且不可行。以深度学习为代表的人工智能技术越来越成为冠状动脉堵塞辅助诊断的有力手段。本项目从心脏CT图像和冠状动脉堵塞诊断的特点出发，以深度学习理论为基础，发展出一套基于CT影像深度学习的冠状动脉堵塞计算机辅助诊断模型和技术。该技术采用创新的深度神经网络模型，自动分割冠状动脉堵塞病灶区域，对冠状动脉钙化及狭窄的严重程度进行分级和量化，从而直观并准确的反应出病变及堵塞的位置和狭窄程度。本项目研究取得的成果能够为冠状动脉堵塞诊断和大规模心血管疾病筛查提供技术支撑，从而为提高人们的健康水平做出贡献。

心血管疾病已经成为现代社会中全世界死亡的主要原因之一。在临床上，心血管疾病主要表现为冠状动脉异常狭窄和堵塞。传统的心血管疾病诊断基于在血管造影成像上评估纵向直径的缩小，或在计算机断层扫描（CT）成像上测量血管官腔面积的缩小。传统诊断很大程度依赖医生的临床经验，需要耗费大量时间和财力，导致大规模的研究费时且不可行。以深度学习为代表的人工智能技术越来越成为冠状动脉堵塞辅助诊断的有力手段。本项目从心脏CT图像和冠状动脉堵塞诊断的特点出发，以深度学习理论为基础，发展出一套基于CT影像深度学习的冠状动脉堵塞计算机辅助诊断模型和技术。研究内容包括用于从心脏CT图像中分割出冠状动脉堵塞病灶区域的一种结合多尺度双通道卷积神经网络和条件随机场的深度分割网络模型、用于小训练样本集条件下的心脏冠状动脉钙化的检测与量化的一种基于多视角和膨胀卷积核的双卷积深度自主学习模型、用于小训练样本集条件下冠状动脉堵塞严重程度的诊断的一种基于堆叠自编码器和分类器相结合的深度学习模型。该技术采用创新的深度神经网络模型，自动分割冠状动脉堵塞病灶区域，对冠状动脉钙化及狭窄的严重程度进行分级和量化，从而直观并准确的反应出病变及堵塞的位置和狭窄程度。在执行期内，依托于本项目申请获批科研项目3项，其中主持1项，作为第一参与人参与2项。在本项目支持下，发表高水平学术论文10篇（其中一作或通讯论文8篇），其中SCI检索论文8篇，EI检索论文2篇（1篇被选为口头报告）。项目执行过程中，6名研究生（博士生2人，硕士生4人）得到锻炼。指导的研究生一人次荣获2021年度国家奖学金，两人次荣获校级一等奖学金、优秀研究生。本项目研究取得的成果将拓展深度学习的理论和应用，能够为冠状动脉堵塞诊断和大规模心血管疾病筛查提供技术支撑，从而为提高人们的健康水平做出贡献。