基于人工智能斑塊分割超聲圖像的影像組學在頸動脈斑塊穩定性評估中的應用

龔凱琳，張利麗，宋佳佳，何健

缺血性腦卒中是危害人類健康的常見病、多發病，構成了日益嚴重的醫學、社會和公共衛生問題。缺血性腦卒中因其高發病率、高死亡率和高致殘率，給社會和家庭均帶來了沉重的經濟負擔[1]。近年來，缺血性腦卒中已成為中國老年人群致殘和死亡的主要病因之一，如何降低缺血性腦卒中的發病率和病死率是當前的研究熱點[2]。本研究采用基于人工智能斑塊分割超聲圖像的影像組學，對南京鼓樓醫院和南京腦科醫院2018年1月—2019年12月診治的171例缺血性腦卒中患者頸動脈斑塊的穩定性進行評估。旨在探討影像組學對頸動脈易損斑塊與穩定性斑塊的診斷效能，為快速準確地評估頸動脈斑塊的穩定性及預防缺血性腦卒中的發生提供新的方法?，F報告如下。

1 資料與方法

1.1 一般資料 本組171例患者經頸動脈超聲檢查分為易損斑塊組與穩定斑塊組。(1)易損斑塊組：83例，男36例，女47例，平均年齡為(62.4±1.5)歲；(2)穩定斑塊組：88例，男42例，女46例，平均年齡為(62.1±1.7)歲。兩組患者的性別、年齡比較，差異無統計學意義(均P>0.05)。入組標準：經臨床及MRI檢查診斷為缺血性腦卒中；缺血性腦卒中的診斷符合中華醫學會2014年發布的“中國缺血性腦卒中診治指南”中制定的標準[3]。

1.2 方法

1.2.1 頸動脈超聲檢測[4]采用彩色多普勒超聲診斷儀(LOGIQ E8型，美國GE 公司)進行檢測?；颊哐雠P位，頭部稍微低枕，探頭頻率設定為7.5～12.0 MHz，對頸總動脈、頸內動脈及頸外動脈等進行依次檢查。首先需要明確頸總動脈的位置，然后再逐漸向上掃查直到頸內動脈入顱段前。按超聲斑塊分型標準[5]將斑塊分為4種類型：Ⅰ型為內膜偏心性增厚，局部隆起<2 mm，回聲粗糙、強度中等的扁平斑；Ⅱ型為厚度>2 mm，斑塊回聲不均勻的軟斑塊；Ⅲ型為強回聲后伴聲影的硬斑塊；Ⅳ型為表面凹凸不平，邊緣伴有低回聲的潰瘍斑塊。根據斑塊特征將Ⅱ和Ⅳ型斑塊定義為易損斑塊，Ⅰ型和Ⅲ型斑塊定義為穩定斑塊。見圖1。

1.2.2 圖像后處理 采用圖像人工智能分割法，在軟件Matlab上進行操作。將所有受試者原始數據導入電腦，將雙線檢測(double line detection，DLD)應用于該邊緣映射的局部分割。將計算得到的輪廓作為蛇形分割模型的輸入。目前影像組學大多數方法都是手動提取超聲圖像中的感興趣區域(ROI)。本研究提出一種自動的預處理分割方法，將超像素水平的光流和二值掩碼特征轉換為普通的概率超像素，用于構建超像素級的條件隨機場，自動標記出管腔(前景，即ROI)和其他組織(背景)。在ROI中用改進的數學模型對斑塊進行分割。

1.2.3 影像組學特征獲取 由兩名具有豐富頸部超聲圖像閱片經驗的超聲科診斷醫師獨立分析人工智能分割斑塊超聲圖像。將獲得的圖像導入自主開發的軟件(Image Analyzer 2.0,China)，從每個ROI中可提取369個影像組學特征，分為以下3類。(1)一階：統計學特征，即灰度直方圖特征，反映了ROI內灰度值的頻數分布情況，共提取該類特征20個；其中N代表ROI內的灰度值的總數量，P(i)代表ROI中某值出現的頻率，X(i)代表ROI內的頻數。形狀特征，此類特征主要描述ROI的大小和形狀特點，共提取特征11個，包括體積(volume)、表面積(surface area)、最大徑(volume diameter)、表面積體積比(surface volume ratio)、球形度(sphericity)、球形不均衡度(spherical disproportion)、緊湊度(compactness)等。(2)二階：紋理特征，描述不同體素之間的空間位置關系和紋理圖案形狀。紋理特征來源于灰度共生矩陣(gray-level co-occirrence matrix,GLCM)、灰度游程長度矩陣(gray-level run length matrix,GLRLM)?；贕LCM的紋理特征：此方法是通過計算GLCM，描繪沿某一特定方向(θ=0°、45°、90°、135°或隨機角度)，間隔一定距離的一對灰度值的頻率分布；共提取208個特征參數。(3)三階：基于GLRLM的紋理特征，計算沿預先設定方向(θ= 0°、90°或隨機方向)上相同灰度值的連續體素長度的矩陣，共提取130個特征參數。

A：超聲圖像中的穩定斑塊； B：人工智能分割后的穩定斑塊； C：超聲圖像中的易損斑塊； D：人工智能分割后的易損斑塊圖1 超聲圖像中和人工智能分割后的易損斑塊與穩定斑塊

1.3 統計學方法 LASSO模型用于篩選人工智能分割斑塊超聲圖像的影像組學特征。LASSO回歸篩選出的影像組學特征用核函數向量機(support vector machine,SVM)進一步建模和驗證。用受試者工作特征曲線(receiver operating characteristic curve,ROC)分析評估模型的預測效能，記錄模型的曲線下面積(area under the curve,AUC)、最佳閾值、敏感性、特異性、陽性預測值以及陰性預測值。使用R軟件(版本3.0.1)進行統計學分析，P<0.05為有統計學意義。

2 結 果

將LASSO回歸篩選出的21個影像組學特征用于建立核函數SVM分類器；模型參數為：gamma，0.05；epsilon，0.1；支持向量個數140。該模型的訓練組的AUC為0.984(95% CI：0.971～0.997)，驗證組的AUC為0.964(95%CI：0.935～0.993)。SVM分類器在訓練組和驗證組的診斷效能見表1，ROC曲線見圖2。

表1 支持SVM分類器在人工智能斑塊分割超聲圖像訓練組和驗證組的診斷效能

A:訓練組的ROC曲線； B:驗證組的ROC曲線圖2 支持SVM分類器ROC曲線

3 討 論

缺血性腦卒中的發生與很多因素之間存在相關性，有一些為不可控因素，如地域、性別及年齡和種族等；還有一些為可防可控的因素，如頸動脈狹窄、高血壓、糖尿病及嗜酒、吸煙等不良生活習慣，其中以頸動脈粥樣硬化的危害最為顯著[3]。因此，如何有效地檢測到頸動脈粥樣硬化斑塊及其發展對缺血性腦卒中的防治有十分重要的意義[6]。在臨床應用中，比較常見的影像學技術有以下幾種：多層螺旋CT、MRI及彩色多普勒超聲檢查等[7]。CT血管成像是將掃描容積內的全部像素顯示出來，可以全面地同時呈現深層及淺表組織的結構，對于血管疾病的診斷有重要價值[8]。頸動脈MRI檢查可以提供多種組織對比加權圖像，可以清晰地顯示血管腔、血管內膜及管腔的亞結構。研究表明，MRI在檢測斑塊成分方面具有較高的敏感性、特異性和準確性[9-10]。彩色多普勒超聲檢查[11]能清晰顯示頸部血管管壁厚度、斑塊大小和管腔內徑，并提供血流動力學信息；同時頸動脈內中膜的厚度、斑塊形成以及狹窄程度等都可以作為勁動脈粥樣硬化監測的的敏感指標和直接征象[12]，可以對腦血管事件的預后進行評估與判斷。相較于CT血管成像和MR血管成像，彩色多普勒超聲檢查因其方便性和投入成本少，以及較好的準確率被各級醫院廣泛采用。但在傳統的超聲檢查中，因探頭的角度和方向、超聲診斷醫師經驗和斑塊本身形態及成分顯像的影響，超聲易損斑塊的診斷往往需要耗費相對較長的時間，復雜血管狀況的診斷效率普遍偏低。超聲圖像中斑塊的手工分割或大量圖像手工分割不僅是一項繁瑣而耗時的工作，還受到觀察者之間和觀察者內部的影響，以及很難跟蹤心動周期的每個時間幀和大量數據集。因此，亟需新的技術輔助超聲醫生對斑塊進行診斷，提高診斷的工作效率及準確率，降低漏診率。

通過影像特征對斑塊組織進行診斷與識別已被廣泛研究，但仍無法對斑塊組織進行快速由內而外的全面精準的判斷。由于斑塊組織的成分特性較為復雜，需要建立診斷模型進行定量化定性化描述。近年來，計算機技術的進步使自動化、可重復的人工智能分析方法得以發展，并從中產生了能從海量的影像圖像資料中提取關鍵信息，建立模型，從而推斷患者精準數據的影像組學方法。影像組學是近年來新出現的一種新型圖像后處理技術，融合了數字影像處理、統計學、 機器學習等方法，對醫學影像進行定量、高通量的分析，從常規影像學檢查中挖掘更多的有診斷意義的信息。影像組學分析主要應用于醫學圖像并進行定量處理。傳統的影像診斷主要依賴于影像醫師的判斷，而影像組學基于數據進行分析，提取高維圖像特征作為新的生物標記物來幫助臨床診斷。頸動脈斑塊分割是基于頸動脈超聲圖像的粥樣硬化研究中一項十分重要的工作，斑塊面積、斑塊總體積、斑塊形態學分析和組成成分分析都是以斑塊分割為基礎[13]。

頸動脈粥樣硬化最基本的病理過程包含血管內膜及中膜層的增厚、斑塊出現粥樣硬化、血管內皮損傷等[14]。超聲檢查的非均質性斑塊、低回聲斑塊、潰瘍斑塊、軟斑塊及混合回聲斑塊被納入為不穩定性斑塊，缺血性腦卒中的發生與易損斑塊之間有密切的關系。

人工智能(artificial intelligence，AI)作為當今最為熱門的課題之一，是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新技術科學。隨著醫學影像智能化診斷的快速發展,為了滿足愈加復雜的醫學圖像分析和處理要求，人工智能成為近年來醫學圖像處理技術發展的一個研究熱點[15-16]。在醫學臨床應用中，AI的目標是預測診斷結果或選擇最佳治療方案。人工智能可以更好地處理大量輸入的數據，可用于全部成像過程中，包括圖像獲取、量化、分析和報告[17]。因此，人工智能在大大提高臨床診療效率的同時，也降低了工作成本[8]。人工智能已經逐漸應用于腦卒中診斷領域，如基于頭顱CT影像快速鑒別缺血性與出血性腦卒中，快速評估缺血半暗帶和閉塞性大血管[18]。

本研究首先通過頸動脈彩超判斷出易損斑塊和穩定性斑塊，然后利用人工智能進行斑塊分割，建立模型；結果顯示訓練組和驗證組的敏感性和特異性均較高，建模成功。本研究應用的人工智能數據分析方法(分割算法)的敏感度和特異度都很高，最終得出的結果與人工方法得到的結果十分接近。本研究在易損斑塊的影像組學分析中，獲取了有價值的診斷信息，提高了斑塊性質診斷的準確率。

綜上所述，本研究將人工智能斑塊分割技術前置于影像組學，旨在用更強更精確的計算機算法代替人工手動分割ROI區域，提高了超聲診斷頸動脈斑塊的工作效率。并且人工智能通過自動分割血管斑塊，有可能減少人為的錯誤。未來，人工智能可能擴大基于圖像或圖像與臨床變量結合的診斷圖像的信息價值[19-20]，從而促進人工智能對疾病診斷、治療決策和預后判斷應用的發展[21]。也可將生物標志物、基因組學、蛋白質組學和代謝組學與成像數據結合起來，提高機器學習算法的預測價值，并為患者制定個性化的醫療措施。