基于CT血管造影成像的冠脉斑块识别及狭窄功能评估方法研究

Coronary artery disease is currently the leading cause of death worldwide, which is usually caused by vascular stenosis. On the other hand, a variety of vascular plaques take responsibility for the coronary artery stenosis. Therefore, the recognition and classification of coronary artery plaque and the clinical functional assessment of coronary artery stenosis are of great importance. Focusing on the diagnostic challenges of coronary artery disease on vascular segmentation, plaque recognition and stenosis function assessment, the project conducts a study on coronary plaque recognition and stenosis function assessment based on computed tomography angiography. Graph Cuts method incorporated with prior knowledge is studied to implement the three-dimensional fast and precise segmentation of coronary artery networks. The deep convolutional neural network is utilized to learn the morphological features of the vascular plaques on high-performance GPU computing platforms, which realizes the recognition and classification of complex vascular plaques. The Random Forest regression model is built by taking various features of vascular stenosis as the input, and taking real fractional flow reserve values as the output. Utilizing the Random Forest regression model, the project conducts the clinical functional assessment of coronary artery senosis caused by vascular plaques, so as to judge the severity of myocardial ischemia. The project provides new method and technique for the precise diagnosis and surgery planning of coronary artery disease.

冠状动脉疾病是目前世界范围内导致死亡的首位疾病，该疾病通常由血管狭窄引起，而各类血管斑块是血管狭窄的主要成因，因此对冠状动脉血管斑块的识别与分类以及对血管狭窄的临床功能评估具有重要意义。本项目围绕冠状动脉疾病诊断在血管分割、斑块识别以及狭窄功能评估等方面存在的挑战性问题，开展基于CT血管造影成像的冠脉斑块识别及狭窄功能评估方法研究。研究融合先验知识的Graph Cut 分割方法，实现对冠状动脉血管网络的三维快速准确分割；在高性能GPU 计算平台上采用深度卷积网络对冠状动脉血管斑块的形态学特征进行学习，实现对复杂血管斑块的识别与分类；以斑块引起的血管狭窄的多种特征为输入，以实际测得的血流储备分数为输出，建立随机森林回归分析模型，利用该模型对血管斑块引起的冠脉狭窄进行临床功能评估，判断其引起心肌缺血的情况。本项目为冠状动脉疾病的精准诊断和手术规划提供新的方法和手段。

冠状动脉疾病是目前世界范围内导致死亡的首要原因，该疾病通常由血管狭窄引起,而冠状动脉粥样硬化是血管狭窄的主要成因，因此对冠状动脉血管斑块的识别与分类具有重要临床意义。冠状动脉血管分割是定义斑块搜索空间的首要条件，然而造影后冠脉血管与周围组织灰度值非常相似，造成使用现有方法的分割效果不佳；不同类型的血管斑块对X射线吸收率各不相同，导致CTA图像中的不同类型血管斑块呈现出严重的非匀质特性，而且血管斑块的形态特征也不尽相同，对所有类型的血管斑块进行识别与分类仍然充满挑战。本项目从临床上对血管斑块自动检测技术的需求出发，预先分割心脏对冠脉血管区域进行约束，在此基础上进行血管分割研究，最后在分割出的冠脉血管上完成斑块检测任务。本项目重点开展器官及血管分割、斑块识别技术狭窄评估与的理论和方法研究。. 在器官分割方面，研究基于关键点检测和深度学习的心脏CTA图像分割方法，以及基于统计先验和随机森林的肾脏分割方法等，在提高器官分割精度的同时降低时间消耗；在血管分割方面，完成基于规则和基于机器学习的血管分割方法调研，为后续研究冠脉血管的分割提供了研究基础，设计基于分层卷积神经网络的半监督方法完成血管分割，为了对提取的血管拓扑结构进行研究，提出基于多信息融合的启发式血管中心线提取方法，进而研究基于中心线先验的血管分割方法；在斑块检测方面，提出一种多类别冠状动脉硬化斑块自动检测与分类方法，实现对不同类型的斑块的检测与狭窄分级评估。此外，还扩展了在计算机断层成像和分子断层成像等方面的研究工作。. 本项目的研究成果共发表国内外高水平学术期刊/会议论文13篇，申请国家发明专利10项。这些研究成果为冠状动脉疾病的精准诊断和手术规划提供新的方法和手段，未来可以应用于临床，辅助医生进行冠状动脉疾病诊断，显著地缩短临床诊断时间，提高临床诊断效率，并且可以借鉴到其他计算机辅助诊断任务中。