基于数字减影血管造影的颈动脉狭窄自动检测与定量：CASMatching 策略#

本文为英文原文《CASMatching strategy for automated detection and quantification of carotid artery stenosis based on digital subtraction angiography》的中文翻译。期刊：Computer Methods and Programs in Biomedicine（2023），DOI: 10.1016/j.cmpb.2023.107871

翻译说明：

参考文献列表保留英文原貌，便于检索与引用。

图表编号、公式编号与原文一致；图表位置以原始图片链接占位。

原文由 OCR 转换，个别拼写错误（如 “Thi”、“los”、“endar terectomy”）已按语义订正后翻译。

‍

作者：Aziguli Wulamu ^a,c, Jichang Luo ^d,e,1, Saian Chen ^a,c,1, Han Zheng ^b,*, Tao Wang ^d,e, Renjie Yang ^d,e, Liqun Jiao ^d,e,f, Taohong Zhang ^a,c

单位

^a 北京科技大学计算机与通信工程学院计算机系，中国北京
^b 广西壮族自治区教育厅，人工智能与信息处理重点实验室（河池学院），广西河池 546300，中国
^c 北京市材料科学知识工程重点实验室，中国北京
^d 首都医科大学宣武医院神经外科，中国北京
^e 中国国际神经科学研究所（China-INI），中国北京
^f 首都医科大学宣武医院介入放射科，中国北京

文章信息#

关键词：颈动脉狭窄；数字减影血管造影；深度学习；目标检测；视觉回归

摘要#

背景与目标：颈动脉狭窄的自动检测与定量，是构建脑部疾病计算机辅助诊断系统的关键任务。数字减影血管造影（DSA）被誉为颈动脉狭窄诊断的”金标准”，常用于识别颈动脉狭窄并测量狭窄的形态学指标。然而，由于缺乏前期工作，基于 DSA 图像利用深度学习检测狭窄并进一步定量预测形态学指标仍是一项挑战。本文提出一种用于预测颈动脉狭窄形态学指标的定量方法。

方法：我们的方法采用两阶段流程：首先由目标检测模型定位适合用于预测形态学指标的区域，然后使用回归模型预测这些指标。我们在目标检测中引入了一种新的颈动脉狭窄匹配（Carotid Artery Stenosis Matching, CASMatching）策略，用于建模”一处狭窄”与”多个正常血管段”之间的匹配关系。所提出的匹配度（Match-ness）分支为每个正常血管段预测一个 Match-ness 分数，以指示其与狭窄的匹配程度。我们还在 Distance-IoU 损失的基础上提出了一种新的方向距离 IoU（Direction Distance-IoU, 2DIoU）损失，使模型更关注沿血管延伸方向上的边界框回归。检测完成后，将 Match-ness 分数最高的正常血管段与狭窄段从原图中截取出来，送入回归模型预测形态学指标并计算狭窄程度。

结果：我们的方法在来自三家不同厂商单平面 X 射线系统的数据集上进行了训练与评估。结果表明，目标检测器中提出的各组件显著提升了正常血管段的检测性能。在形态学指标预测方面，我们的模型在参考血管直径（RVD）、最小管腔直径（MLD）和狭窄程度上的平均绝对误差分别为 0.378、0.221 和 4.9。

结论：我们的方法能够精确定位颈动脉狭窄，以及适合用于预测该狭窄 RVD 的正常血管段，并进一步实现准确定量，为颈动脉狭窄的定量分析提供了一种新的解决方案。

1. 引言#

颈动脉狭窄是一种可能减少脑部血流并导致缺血性卒中的血管疾病。研究 [1] 表明，颈动脉狭窄是卒中的主要原因之一；重度颈动脉狭窄具有很高的致残率与死亡率。不同狭窄程度的患者，其卒中风险不同。一项大型前瞻性多中心研究 [2] 表明：无狭窄患者的卒中复发率为 3.27%，狭窄 50%–69% 者为 3.82%，狭窄 70%–99% 者为 5.16%，完全闭塞者为 7.27%。随着颈动脉狭窄程度增加，卒中风险迅速上升。此外，狭窄程度是治疗决策的重要指标。药物治疗、血管内治疗和颈动脉内膜剥脱术是颈动脉狭窄的三种主要治疗方式。当患者被检出无症状或症状性重度颈动脉狭窄（例如症状性患者超过 50%，无症状患者超过 70%）时，需要接受积极的血管内治疗或颈动脉内膜剥脱术，以实现颈动脉血运重建 [3]。因此，准确量化狭窄程度，对于及时评估、干预和预防卒中至关重要。

图 1. 颈动脉狭窄检测中的困难与检测策略的设计思路。

(a) 数据标注时只标注狭窄一类。图中绿色短线表示适合测量形态学指标的位置。该方法的问题在于：检测出的边界框并不包含用于预测 RVD 以进行后续定量分析的正确区域。
(b) 标注两类：狭窄与正常，且它们的数量均设为 1。该方法能够检测出用于预测 RVD 的正确区域，但检测性能较差。
(c) 按 (b) 的方式标注两类，并引入更多的正常血管段。
(d) 2DIoU 损失的原始设计意图。我们希望根据预测框与真实框的相对位置来调整损失值。当连接预测框与真实框中心点的连线接近血管延伸方向时（(d) 中的黄色箭头），损失更大。

在临床实践中，医生主要通过筛查数字减影血管造影（DSA）图像来诊断颈动脉狭窄。DSA 是通过可视化颈动脉形态来指导诊断和治疗的主要成像方法之一 [4]。医生首先在颈动脉 DSA 图像上判断是否发生了狭窄，然后定位狭窄并测量狭窄的形态学指标，例如最小管腔直径（MLD）和参考血管直径（RVD），随后利用 MLD 与 RVD 计算狭窄程度。传统的人工筛查与测量过程繁琐、易出错，人力成本高且筛查速度慢。利用深度学习方法进行颈动脉狭窄的计算机辅助诊断，在解决这些问题上展现出良好前景。例如，基于深度学习的辅助诊断具有快速筛查速度，这对颈动脉狭窄的治疗至关重要——已经出现症状的患者需要快速评估狭窄程度，以接受不同的治疗方式。同时，深度学习能够避免不同医生导致的结果差异。然而，当前基于 DSA 的深度学习方法 [5–8] 主要关注血管树分割、图像质量提升，或仅检测病灶而无法准确预测狭窄程度。

在冠状动脉狭窄的深度学习影像分析中（冠脉狭窄在 DSA 上与颈动脉狭窄形态相似），大多数方法 [9–11] 关注动脉病灶分级，只是对狭窄做粗略描述，而非准确定量。这些研究只能对狭窄程度给出初步诊断，无法获得可用于进一步临床指导的形态学指标，而这些指标在临床决策中是必不可少的。Zhang 等 [12] 提出了一种冠脉狭窄的直接定量方法，使用回归模型从 X 射线血管造影中预测参考血管直径和最小管腔直径等形态学指标。然而，在颈动脉 DSA 图像中，狭窄发生的区域有时呈现膨大（如图 1(a) 所示）。医生测量参考血管直径时通常会避开这些区域，而选择一个更远端的位置；这使得颈动脉狭窄并不适合像文献 [12] 那样建模为理想梯形。此外，获取狭窄的精确位置也很重要，而不是从包含完整血管树的图像中直接预测形态学指标——后者被认为缺乏可解释性。

由于背景噪声和复杂的血管结构，狭窄的精确定位是一项具有挑战性的任务。在临床实践中，医生通常关注颈动脉易发生狭窄的区域（颈动脉前、后分叉处），而忽略远端复杂的血管树。一旦定位到狭窄，就使用测量工具测量狭窄的形态学指标。因此，利用深度学习模型来模拟这一诊断过程是很自然的：先定位狭窄，再预测其形态学指标。深度学习中的目标检测 [13,14] 能够获得目标的精确位置与类别。与医学图像领域常用的语义分割 [15–18] 相比，目标检测仅需实例级标注，大大降低了语义分割中像素级标注的时间成本。因此，使用目标检测对颈动脉狭窄进行精确定位是合适的。

基于以上几点，我们使用目标检测器定位颈动脉狭窄，然后采用回归模型预测狭窄的形态学指标。然而，有一个问题使我们无法直接使用现成的检测器。由于图 1(a) 所示的膨大现象，若只标注一个狭窄类，裁剪出的区域将不包含用于测量参考血管直径的正确位置。因此，我们考虑如图 1(b) 所示，同时检测狭窄和对应的一个正常血管段，并用它们分别预测最小管腔直径（MLD）和参考血管直径（RVD）。但与具有明显”粗—细—粗”特征的狭窄不同，血管树中存在大量图像特征相似的正常血管段（简称 normal），其中只有一个最适合被选中用于预测 RVD，称为匹配的正常血管段（matched normal） 。如果只标注匹配的那一个正常血管段，将导致大量假阳性预测和模型性能不佳。

为解决上述问题，我们在目标检测中引入了颈动脉狭窄匹配（CASMatching）策略。具体而言，如图 1(c) 所示，我们在一张 DSA 图像上标注更多正常血管段的边界框，以增加训练样本数量并帮助模型学习其特征。为了区分检测出的正常血管段，我们在检测头中设计了一个名为 Match-ness 分支的新分支，用于预测所有正常血管段的 Match-ness 分数。分数越高，表示该区域越适合被选中用于预测 RVD。CASMatching 策略使模型能够学习”一处狭窄与多个正常血管段”之间的匹配关系，并能根据 Match-ness 分支的输出选择用于测量 RVD 的正确区域。此外，如图 1(d) 所示，正常血管段在垂直于血管延伸方向上的边界是模糊的；相反，在血管延伸方向上，我们希望预测边界框的边界尽可能接近真实值，因为临床上测量 RVD 的位置选择非常敏感。即使某些远离狭窄的正常血管在管径上与近端正常血管看起来相同，它们仍然不适合用于测量形态学指标。因此，我们在 Distance-IoU 损失（DIoU）[19] 基础上提出了一种新的方向距离 IoU（2DIoU）损失，它根据预测框与真实框的相对位置自适应调整损失，使模型更关注沿血管延伸方向上的边界框回归。借助上述设计，狭窄及其匹配的正常血管段能够被准确检测，并进一步送入回归模型预测 MLD 与 RVD。

综上，本文的贡献可归纳如下：

我们首次开展了基于 DSA 图像的颈动脉狭窄自动检测与定量研究。我们的方法采用两阶段流程：先用目标检测模型分别检测狭窄和匹配的正常血管段，再将它们送入回归模型预测狭窄的形态学指标。 “先检测、后定量”的范式模拟了医生的诊断过程，增强了最终预测的可解释性。
提出了一种定制化检测策略，称为颈动脉狭窄匹配（CASMatching）策略，用于建模”一处狭窄与多个正常血管段”之间的匹配关系。在检测头中新增了一个名为 Match-ness 分支的分支，用于预测狭窄与正常血管段之间的匹配程度。此外，提出了一种改进的 DIoU 损失，称为方向距离 IoU（2DIoU）损失，根据预测框与真实框的相对位置自适应调整损失。这些新组件是为颈动脉狭窄检测量身定制的，显著提升了模型的检测性能。
实验结果验证了该流程及所提组件的有效性。两阶段流程实现了颈动脉狭窄形态学指标的准确定量，展示了其应用潜力。

2. 相关工作#

2.1 颈动脉狭窄的深度学习辅助诊断#

近年来，利用深度学习辅助诊断颈动脉狭窄已引起众多研究者的关注。颈动脉狭窄的主要成像方式包括颈动脉血管超声、计算机断层血管造影（CTA）、磁共振成像（MRI）和数字减影血管造影（DSA）。

颈动脉血管超声是一种安全、无创的成像方式。评估动脉粥样硬化斑块形态是颈动脉狭窄辅助诊断中的一项重要临床任务，可用于监测斑块破裂与卒中风险；基于超声图像的颈动脉外膜边界与管腔内-中膜边界分割在该监测过程中起着重要作用 [20–25]。Saba 等 [20] 使用深度学习在颈动脉血管超声图像中追踪并勾画管腔内-中膜，在描绘出管腔内-中膜的远端与近端管壁边界后，采用人工方法测量狭窄。Jain 等 [21] 使用混合深度学习分割模型在 B 型超声扫描中分割动脉粥样硬化斑块，并进一步自动量化斑块面积。Latha 等 [22] 使用多种图像分类方法判断颈动脉超声图像中是否存在动脉粥样硬化斑块等卒中早期迹象。Azzopardi 等 [25] 提出了一种全自动分割工具，用于分割颈动脉外膜边界与管腔内-中膜边界。

计算机断层血管造影（CTA） 可同时显示血管内、血管外和血管壁病变，并展现狭窄血管与周围组织的三维空间关系。Zhou 等 [26] 提出了一种三维卷积深度学习框架，用于在 CTA 图像中全自动分割颈动脉分叉，以便于颈动脉狭窄的量化与卒中风险评估。Ajami 等 [27] 使用卷积神经网络在 CTA 中自动检测并定位颈动脉钙化斑块：首先通过图像分类定位 C2–C3 椎间盘间隙以下的轴位层面，然后利用图像分割检测局部钙化。Skandha 等 [28] 探索了混合深度学习（HDL）模型在多中心框架下检测颈动脉斑块的应用，提出了两种 HDL 框架：融合两个独立的深度学习（SDL）模型，或将 SDL 与机器学习融合用于另外 10 个模型，并确定了最佳优化范式。

CTA 检查数量的快速增长引发了对辐射暴露风险的担忧 [29]。为解决该问题，深度学习方法已被用于 CT 图像重建，以在更低辐射剂量下获得更高质量的图像 [30]。

图 2. CASMatching 策略示意图。

磁共振成像（MRI） 通过多序列扫描可准确评估动脉管腔形态、狭窄程度以及斑块的结构与成分，已被用于颈动脉狭窄的定位与识别、颈动脉分割等任务。Qiu 等 [31] 使用目标检测识别颅内动脉狭窄与颈动脉狭窄，并将狭窄分为四类：中度狭窄、重度狭窄、闭塞和无狭窄信号。Chung 等 [32] 提出了一种三维图像分类网络，用于在时间飞跃法磁共振血管造影（TOF-MRA）中对颈内动脉狭窄与正常血管进行分类。Tsakanikas 等 [33] 提出了一种颈动脉血管分割算法，在迭代框架中结合 U-Net 模型 [17] 与形态学活动轮廓，以精确分割颈动脉管腔与外壁。

动脉粥样硬化是颈动脉狭窄最常见的病因。磁共振成像目前是颈动脉粥样硬化斑块评估的主要成像方式 [34,35]。此外，深度学习也被应用于 MRI 图像的预处理与图像增强 [36]。

数字减影血管造影（DSA） 是一种从 X 射线图像中可视化血管的技术。然而，该技术获得的减影图像容易受到患者运动引起的模糊和伪影影响。深度学习技术已被用于消除这些干扰并提升图像质量 [5,6]。

DSA 被誉为颈动脉狭窄诊断的”金标准”，用于颈动脉狭窄的检测以及颈动脉与颅内动脉的分割。Khankari 等 [7] 提出了一种基于深度学习算法的方法，可自动检测颈动脉分叉、大脑前动脉（ACA）、大脑中动脉（MCA）和大脑后动脉（PCA）等动脉标志，以及血管闭塞，并将血管闭塞定位并分类为 MCA 近端或远端。Zhang 等 [8] 使用 U-Net [37] 在 DSA 图像中分割脑血管。

当前基于 DSA 的深度学习方法 [5–8,38,39] 主要关注血管树分割、图像质量提升，以及实例级狭窄检测与分级。准确定量测量狭窄的形态学指标并预测狭窄程度，仍然是一项挑战。

2.2 其他类型狭窄的检测与分析#

深度学习也已被应用于其他类型的血管狭窄，例如冠脉狭窄 [9–12,40,41]、腰椎管狭窄 [42] 和下肢动脉狭窄 [43]。其中，冠脉狭窄的辅助诊断受到广泛关注。然而，大多数方法 [9–11,42,43] 关注动脉病灶分级，只对狭窄做粗略描述而非准确定量。这些研究只能对狭窄程度给出初步诊断，无法获得可用于进一步临床指导的形态学指标。Zhang 等 [12] 提出了一种多视角学习模型，无需中间分割或重建即可直接定量冠脉狭窄；该模型从不同视角学习狭窄特征并直接估计形态学指标。然而，由于颈动脉狭窄与冠脉狭窄在形态上存在差异，我们无法借鉴该方法直接从颈动脉狭窄的 DSA 图像中预测形态学指标。

3. 方法#

本节详细描述我们提出的自动检测与定量方法。我们首先介绍 CASMatching 策略，随后说明 2DIoU 损失，并详细描述模型的整体框架。

3.1 CASMatching 策略#

CASMatching 策略是一种定制化的检测策略，利用目标检测分别选取适合预测参考血管直径（RVD）和最小管腔直径（MLD）的血管区域。待检测的血管区域被定义为两个类别，即狭窄（stenosis）和正常血管段（normal vessel segment，简称 normal）。Normal 表示一段无病变的血管，在 DSA 图像上表现为管壁平行。如图 2 所示，数据标注时我们在每张 DSA 图像中标注一个狭窄边界框和多个正常边界框。然后，为每个 normal 类的边界框分配 Match-ness 分数真值：只有其中一个 normal 的 Match-ness 分数被设为 1，表示它是最适合用于预测 RVD 的正常血管段；其他 normal 的 Match-ness 分数设为 0。公式见式 (1)，其中 GTMsGTMs 为 Match-ness 分数真值。

GTMs={1最适合用于测量 RVD0其他情况(1)GTMs={10最适合用于测量 RVD其他情况(1)

得益于 Match-ness 分数标注，临床实践中测量 RVD 的先验知识被引入模型，即：被选择用于测量 RVD 的血管段通常与狭窄位于同一血管分支上，且两者距离相对较小。

在模型方面，我们在检测头中设计了一个简单而有效的分支，用于预测每个 normal 的 Match-ness 分数。具体而言，我们将 Match-ness 分支以并行方式添加到检测头中，与分类分支和回归分支并列，并应用 sigmoid 激活函数将输出约束在 [0,1] 范围内。Match-ness 分支预测的分数 m∈[0,1]m∈[0,1] 表示 normal 与狭窄之间的匹配程度；mm 越高，说明该区域越适合预测参考血管直径。mm 可以很方便地用二元交叉熵（BCE）损失训练。损失函数 LMatch-nessLMatch-ness 见式 (2)。

LMatch-ness=−∑i=1NGTMsi∗log⁡(mi)+(1−GTMsi)∗log⁡(1−mi)LMatch-ness=−i=1∑NGTMsi∗log(mi)+(1−GTMsi)∗log(1−mi)

其中 NN 为样本数量。Match-ness 分支的损失在模型训练中与分类损失和回归损失结合使用。

测试阶段，用于按置信度阈值筛选结果、并在非极大值抑制（NMS）中对检测结果排序的分数 ss，是预测的 Match-ness 分数 mm 与分类分数 pp 之积的平方根。公式见式 (3)。

s=m×p(3)s=m×p(3)

这样一来，mm 较低的边界框会得到较低的 ss，更可能在后续被抑制，从而提升模型性能——因为评估时只关注 GTMs=1GTMs=1 的正常血管段的预测表现。

图 3. 2DIoU 损失示意图。

3.2 用于边界框回归的方向距离 IoU 损失#

对于目标检测的边界框回归，大多数方法使用 lnln 范数函数或 IoU 作为损失函数。与 L1 和 L2 损失相比，IoU 损失具有尺度不变性，并考虑了预测框与真实框之间的重叠。为克服 IoU 损失的缺点，学界提出了若干经典变体。Generalized-IoU（GIoU）[44] 考虑了预测框与真实框之间的最小闭合区域，解决了计算 IoU 时对尺度差异不敏感的问题。Distance-IoU（DIoU）[19] 不仅考虑边界框之间的重叠面积，还考虑其中心点之间的距离。DIoU 的公式见式 (4)。

LDIoU=1−IoU+R(Bpd,Bgt)(4)LDIoU=1−IoU+R(Bpd,Bgt)(4)

R(Bpd,Bgt)=d2(bpd,bgt)c2(5)R(Bpd,Bgt)=c2d2(bpd,bgt)(5)

其中 BpdBpd 为预测边界框，BgtBgt 为真实边界框。bpdbpd 与 bgtbgt 分别是 BpdBpd 与 BgtBgt 的中心点，d(bpd,bgt)d(bpd,bgt) 表示欧氏距离。cc 是归一化因子，定义为包含 BpdBpd 与 BgtBgt 的最小包围框的对角线长度。R(Bpd,Bgt)R(Bpd,Bgt) 是添加到 IoU 损失中的惩罚项。

在此，我们提出一种改进的 DIoU 损失，命名为方向距离 IoU（2DIoU） ，使模型更关注沿血管延伸方向上的边界框回归。如图 3 所示，连接狭窄真实框与其中一个 normal 真实框的中心点，得到一条较长的黄色箭头，记为 Direction1，它大致指示了血管延伸的整体方向。连接 normal 预测框与 normal 真实框的中心点，得到一条较长的蓝色箭头，记为 Direction2。临床上，测量 RVD 的位置选择非常敏感；即使某些远离狭窄的正常血管在管径上与近端正常血管看起来相同，它们仍然不适合用于 RVD 测量。换言之，我们希望回归更关注那些在 Direction1 方向上产生偏移的预测框。我们通过在 DIoU 损失中引入一个新的惩罚项，根据预测框与真实框之间的相对位置自适应调整损失值。具体来说：首先基于狭窄的真实框与其中一个 normal 的真实框得到 Direction1；训练过程中，基于 normal 的真实框与 normal 的预测框得到 Direction2。然后用向量内积计算两个方向之间的夹角，记为 Angle。惩罚项由 Angle 的正弦值计算得到，其公式见式 (6)。

图 4. 所提出的两阶段流程总体架构，包含 (a) 狭窄与正常血管检测模型，以及 (b) MLD 与 RVD 回归模型。(a) 中展示了两种可选的检测头结构。

P=a∗(1−sin⁡(Angle))(6)P=a∗(1−sin(Angle))(6)

其中 aa 是用于加权惩罚项的超参数。最终，2DIoU 损失的公式见式 (7)。

L2DIoUloss=LDIoU+P=1−IoU+R(Bpd,Bgt)+a∗(1−sin⁡(Angle))(7)L2DIoUloss=LDIoU+P=1−IoU+R(Bpd,Bgt)+a∗(1−sin(Angle))(7)

基于 2DIoU 损失，模型会对在 Direction1 方向上偏移更大的预测框赋予更大的损失，从而提升模型性能。值得注意的是，2DIoU 损失仅应用于 normal 类。对 stenosis 类的目标进行边界框回归时，我们使用最初的 DIoU 损失作为损失函数。这与 Match-ness 分支的设计思路一致——我们只对 normal 类的预测 Match-ness 分数计算 BCE 损失。

3.3 模型整体框架#

我们的目标检测模型基于经典的单阶段检测器 RetinaNet [14]，如图 4(a) 所示。与两阶段检测器相比，单阶段方法具有更高的时间效率与相当的精度，更适合实时目标检测任务。RetinaNet 中的焦点损失（focal loss）是解决前景-背景类别不平衡问题的有效方法，在许多医学图像应用中已被证明特别有效 [45,46]。狭窄检测中也存在前景-背景类别不平衡：在每张 DSA 图像中，我们通常只关注颈动脉前、后分叉处，且只预测一个狭窄和少数几个可能匹配的 normal，血管树的其余部分作为背景噪声可能对模型训练产生负面影响。为消除这种负面影响，我们使用 RetinaNet 构建目标检测框架，并以焦点损失作为分类损失。公式见式 (8)。

LFocalloss(pt)=−αt(1−pt)γlog⁡(pt)(8)LFocalloss(pt)=−αt(1−pt)γlog(pt)(8)

pt={p若 y=11−p其他情况(9)pt={p1−p若 y=1其他情况(9)

αt={α若 y=11−α其他情况(10)αt={α1−α若 y=1其他情况(10)

其中 p∈[0,1]p∈[0,1] 是模型的估计概率，yy 是真实标签。α∈[0,1]α∈[0,1] 是用于平衡正负样本重要性的加权因子；γγ 是用于平衡难易样本重要性的调制因子。这两个因子使模型训练聚焦于难样本，并降低大量易分类负样本的损失权重。模型的最终损失函数见式 (11)。

Lloss=LFocalloss+L2DIoUloss+b∗LMatch−ness(11)Lloss=LFocalloss+L2DIoUloss+b∗LMatch−ness(11)

其中 bb 是用于调整 LMatch-nessLMatch-ness 权重的超参数。此外，我们采用特征金字塔网络（FPN）[47] 作为骨干网络，以在多尺度上进行高效检测。

在获得目标检测的预测结果后，将 Match-ness 分数最大的 normal 与狭窄从原图中截取出来。然后使用回归模型直接定量颈动脉狭窄的参考血管直径（RVD）与最小管腔直径（MLD）。具体而言，我们使用非局部均值（Non-Local Means）算法 [48] 对图像去噪，随后用与 DSA 图像背景相近的灰度值将图像填充至 1:1 的宽高比。然后采用深度 CNN 提取图像特征，接多层全连接层预测定量指标。模型使用均方误差（MSE）损失函数训练。训练过程中，模型被优化以最小化预测值 yy 与真值 yi^yi 之间的 MSE 损失，公式见式 (12)。

MSE loss=1N∑i=1N(yi−y^i)2(12)MSE loss=N1i=1∑N(yi−yi)2(12)

其中 NN 为样本数量。

4. 实验与结果#

4.1 数据集准备#

本研究回顾性分析了 2018 年 1 月至 2022 年 1 月期间在首都医科大学宣武医院收治的 1268 例颈动脉狭窄患者的血管造影图像。所有患者均使用三家不同厂商的单平面 X 射线系统进行 DSA 检查，包括 Philips Allura Xper FD 20/20（英国）、GE Healthcare Innova（美国）和 Siemens AXIOM-Artis（德国）。血管造影图像以 4 帧/秒的速率采集，并由 IsCore 影像核心实验室（http://imagecorelabcn.com/en/）审核。两名神经放射科医生使用 Radiant DICOM viewer（版本 2022.1.1，Medixant，波兰）审阅数据并测量狭窄的形态学指标。

为选择适合分析的血管造影序列，审阅者选择颈内动脉与颈外动脉夹角最大的序列；如果该序列中病变部位被遮挡，则选择病变部位未被遮挡的其他序列。随后，神经放射科医生选择造影剂通过狭窄处的那一帧图像作为关键帧，用于后续分析。狭窄的形态学指标依据北美症状性颈动脉内膜剥脱试验（NASCET）[49] 的临床试验标准在关键帧上测量。具体而言，**最小管腔直径（MLD）**在狭窄病灶中管径最小的位置测量；**参考血管直径（RVD）**的测量位置位于狭窄病灶的远端，需满足管壁近似平行且无膨大的要求。测量得到的 MLD 均值为 1.37 mm，最小、最大值分别为 0.34 mm 和 3.49 mm；对应的 RVD 分别为 4.98、3.11 和 7.28 mm。测量得到的 MLD 与 RVD 被用作回归模型的标签。随后，关键帧被导出为 JPG 格式用于进一步分析，图像的最大分辨率设为 960 × 960。本回顾性观察研究已获得机构审查委员会的批准。

获得关键帧后，神经放射科医生剔除了数据集中的一些特殊病例，如多处狭窄、颈总动脉狭窄和完全闭塞——这些约占数据集的 3% ，最终获得 1205 张 DSA 图像用于模型训练。

随后，神经放射科医生标注了 stenosis 类和 normal 类的真实边界框。我们首先获得了用于评估的数据集，其中每张 DSA 包含一个狭窄及其匹配的 normal；随后按 CASMatching 策略标注了更多 normal 边界框，构成训练数据集。

最终，在含多个 normal 的数据集中获得 1205 个狭窄真实边界框和 4031 个正常真实边界框。我们的实验基于十折交叉验证，所有图像被随机分成十个等分子集。

4.2 实现细节#

模型使用 Python 基于 PyTorch 开发，在显存 11 GB 的 NVIDIA 2080 Ti 上训练。目标检测模型以 batch size 8 张图像、使用 Adam 优化器训练，Adam [50] 优化器的动量设为 0.9。采用余弦退火学习率调度器，最小学习率设为初始学习率 1×10−41×10−4 的 0.001 倍。检测模型使用在 COCO [51] 上预训练的权重初始化。回归模型的训练 batch size 设为 32，优化器与权重衰减策略与检测模型一致。2DIoU 损失中的 aa 设为 0.4，用于加权 Match-ness 分支 BCE 损失的 bb 设为 0.25。不同 aa、bb 取值的对比消融实验见 4.4 节。

4.3 评价指标#

检测的评价指标。Pascal VOC [52] 是目标检测中最流行的挑战之一，它使用基于平均精度（AP）的指标。具体而言，精确率与召回率先由下式得到：

Precision=TPTP+FP(13)Precision=TP+FPTP(13)

Recall=TPTP+FN(14)Recall=TP+FNTP(14)

这里的真阳性（TP）与假阳性（FP）的定义与医学领域不同：TP 指预测不仅分类标签与真实标签一致，而且 IoU 大于指定阈值；不满足这些条件的预测被归为 FP。得到预测结果后，按类别置信度对预测框排序，并将其划分为 TP 或 FP。随后为每个类别绘制精确率-召回率曲线，曲线下面积即该类别的平均精度（AP）。对所有类别的平均精度取均值即得到平均精度均值（mAP）。这里我们采用 Pascal VOC 的指标，使用 IoU 阈值 0.5 划分 TP 与 FP。

回归的评价指标。使用平均绝对误差（MAE）评估回归模型的性能，公式见式 (15)。

MAE=1N∑i=1N∣yi−yi^∣(15)MAE=N1i=1∑N∣yi−yi∣(15)

其中 NN 为样本数量。我们分别评估 MLD 与 RVD 的 MAE。此外，由于数据集中图像的像素密度存在轻微差异，仅评估单一形态学指标的 MAE 是不够的，因此我们按式 (16) 计算狭窄程度（Stenosis Degree）：

Stenosis Degree=RVD−MLDRVD(16)Stenosis Degree=RVDRVD−MLD(16)

然后评估狭窄程度的 MAE。

4.4 目标检测实验#

CASMatching 策略与 2DIoU 损失的性能。我们以 RetinaNet [14] 作为基线模型，其骨干网络为 ResNet50 [53]。由于基线模型未应用 CASMatching 策略，它只能在每张 DSA 图像仅含一个匹配 normal 的数据集上训练和评估。我们还选取了一些经典目标检测器 [54–58] 进行对比实验，所选检测器版本的参数量与基线模型相近，并使用相同的训练策略。此外，我们在 GeForce RTX 2080 Ti 上比较了这些模型的单帧推理速度。表 1 的实验结果表明，由于未能解决颈动脉狭窄检测中的困难，直接应用这些检测器只能取得较差的性能。因此，我们选择 RetinaNet [14] 作为基线模型，主要用于验证所提方法的有效性。配备 CASMatching 策略的模型在含多个 normal 的数据集上训练；测试时，Match-ness 分支的输出被用于按式 (4) 调整分类分数。评估则在每张 DSA 图像仅含一个匹配 normal 的数据集上进行，因为我们只关注与狭窄最佳匹配的 normal 的检测性能。

表 1 主流单阶段目标检测器的比较，以及所提出的 CASMatching 策略（CASM）与 2DIoU 损失的性能

方法	参数量 (MB)	推理速度 (ms)	类别 normal — 精确率 ↑	召回率 ↑	AP ↑	类别 stenosis — 精确率 ↑	召回率 ↑	AP ↑	mAP ↑
Faster-RCNN [58]	37.3	46.6	70.35	69.10	71.27	88.73	73.92	90.63	79.62
Cascade-RCNN [59]	50.2	54.2	72.31	62.41	73.60	95.63	77.34	98.66	85.21
SSD [54]	34.1	42.3	51.08	43.35	52.88	88.64	76.30	90.56	71.72
Yolov5-L [56]	46.5	38.1	77.54	70.61	71.70	94.08	80.15	98.26	85.14
Yolov6-M [55]	34.3	40.7	72.30	73.46	70.22	93.62	75.93	97.75	83.99
EfficientDet-D1 [57]	40.5	28.9	70.53	68.65	71.34	94.13	76.99	98.64	84.99
基线（RetinaNet [14]）	39.2	29.1	71.35	76.92	71.68	94.35	76.92	98.54	85.11
基线 + CASM	—	—	79.30	91.03	87.89	95.08	98.66	99.79	93.84
基线 + CASM + DIoU 损失 [19]	—	—	78.66	91.07	88.01	95.12	97.63	99.77	93.89
基线 + CASM + 2DIoU 损失	—	—	78.82	91.14	90.41	95.12	98.72	99.83	95.12

图 5. 定性结果。前两列展示两种不同的标注方案；第三列是基线模型的预测结果，显示目标的类别与分类分数；第四、五列是所提方法的预测结果。当类别被预测为 normal 时，分类分数之后会显示 Match-ness 分数。CASMatching 策略（*）表示分类分数未被 Match-ness 分数调制。

图 6. 检测网络中特征的可视化结果：(a) 带真实框的原图，(b) 检测骨干网络输出的隐藏特征，(c) 分类分支的输出，(d) Match-ness 分支的输出。

表 1 展示了所提方法的有效性。CASMatching 策略显著提升了 normal 类的检测性能；而由于 stenosis 类具有易于区分的”粗—细—粗”特征，基线模型已取得较高 AP 值，提升不显著。在目标检测的回归损失方面，我们首先将 RetinaNet [14] 中的 L1 损失替换为 DIoU 损失 [19]，提升不明显；随后评估了 2DIoU 的性能，它在不降低边界框回归精度的前提下提升了 normal 类的性能。

我们进行了定性分析，结果如图 5 所示。第三列中，由于匹配 normal 的特征不明显，某些结果未能检测到它；其他未被标注的正常血管段也干扰了匹配 normal 的识别。第四列的结果表明，所提出的 CASMatching 策略很好地解决了”只标注一个匹配 normal”时精确率与召回率偏低的问题。第五列中，一些分类分数大于阈值 0.5、但 Match-ness 分数较小的 normal 被预测出来，因为其分类分数未被式 (3) 调制。可以看出：在发生狭窄的动脉分支上，normal 的 Match-ness 分数随与狭窄距离的增加而下降；而在另一条动脉分支上，Match-ness 分数通常被预测为较低值。这些结果表明，所提方法有效建模了狭窄与多个 normal 之间的匹配关系，使我们能够通过比较 Match-ness 分数轻松找到匹配的 normal，进而进入流程的第二步。

图 6 展示了检测网络中特征的可视化结果。图 6(b) 中，我们获取骨干网络最后三个 block 的特征图，并随机抽取若干通道进行展示。图 6(c) 是分类分支的输出特征图，按类别沿通道维划分；图 6(d) 是 Match-ness 分支的输出特征图。可以得出结论：CASMatching 策略显著增强了模型对正常血管的响应（由图 6(c) 可见），而 (d) 则证明了 Match-ness 分支的有效性——距离狭窄更近、且与狭窄位于同一动脉分支上的正常血管，其 Match-ness 预测值更高，这与图 5 的定量结果一致。

图 7. 回归模型的预测结果：(a) 散点图，(b) Bland-Altman 分析。

表 2 Match-ness 分支在三种不同位置时的性能

Match-ness 所在位置	AP (normal) ↑	AP (stenosis) ↑	mAP ↑
独立分支	90.41	99.79	95.10
与回归分支并行的单层分支	89.51	98.63	94.07
与分类分支并行的单层分支	86.23	89.97	88.10

表 3 消融实验：aa 的取值

aa	AP (normal) ↑	AP (stenosis) ↑	mAP ↑
0.3	89.35	99.64	94.50
0.4	90.41	99.79	95.10
0.5	90.52	99.63	95.08
0.6	86.23	99.20	92.72
0.7	83.95	99.23	91.59

表 4 消融实验：b∗b∗ Match-ness 分支损失

bb	Match-ness 分支的损失函数	AP (normal) ↑	AP (stenosis) ↑	mAP ↑
0	—	71.68	98.54	85.11
0.25	BCE 损失	90.41	99.79	95.10
0.25	MSE 损失	85.61	99.66	92.54
0.50	BCE 损失	88.36	99.65	94.01
0.50	MSE 损失	86.18	99.70	92.94
0.75	BCE 损失	80.37	99.73	90.05
0.75	MSE 损失	76.27	99.39	87.83

2DIoU 的有效性如图 7 所示：对于同一个 normal，配备 2DIoU 的模型在血管走行方向上实现了更准确的边界框回归。

Match-ness 分支的位置。我们评估了 Match-ness 分支在三种不同位置时的性能：1) 独立分支；2) 与回归分支并行的单层分支；3) 与分类分支并行的单层分支。如图 4 所示，独立分支意味着 Match-ness 分支使用独立的卷积层得到输出，而单层分支意味着 Match-ness 分支与某一分支共享前 N 层卷积的参数。表 2 的实验结果表明，独立分支能最大化 Match-ness 分支的性能，尽管会带来额外的计算开销。

超参数 aa 与 bb。超参数 aa 用于加权 2DIoU 损失中的惩罚项，aa 越大表示模型越强调沿血管走行方向的边界框回归。超参数 bb 用于加权 LMatch-nessLMatch-ness（由 Match-ness 分支的标签与预测计算得到），bb 能够平衡多个损失值，从而提升模型性能。我们在此对这些超参数进行了消融研究。对于 Match-ness 分支的损失函数，我们首先进行了用 MSE 损失替代 BCE 损失的实验。aa 与损失函数的实验结果列于表 3，表 4 展示了不同 bb 值下模型的性能。最终，我们使用 BCE 计算 Match-ness 分支的损失，并采用 a=0.4a=0.4、b=0.25b=0.25 分别加权惩罚项与 LBCELBCE。

表 5 形态学指标回归的性能。“Average” 表示 RVD 与 MLD 的平均 MAE。

训练策略	骨干网络	MAE ↓ RVD (mm)	MAE ↓ MLD (mm)	MAE ↓ 平均 (mm)	SD (%)
分别训练	ResNet50	0.5031	0.3746	0.4389	6.89
分别训练	ResNet50 + SE	0.4672	0.3411	0.4042	5.34
分别训练	ResNet101	0.4701	0.3350	0.4026	5.84
分别训练	ResNet101 + SE	0.4239	0.2975	0.3607	5.37
联合训练	ResNet50	0.3892	0.2410	0.3151	5.35
联合训练	ResNet50 + SE	0.3805	0.2483	0.3144	5.13
联合训练	ResNet101	0.3764	0.2407	0.3086	5.14
联合训练	ResNet101 + SE	0.3787	0.2215	0.2998	4.93

4.5 狭窄定量实验#

这里进行狭窄定量分析的实验。从原图中截取的狭窄与匹配 normal 被送入回归模型，直接预测狭窄的最小管腔直径（MLD）与参考血管直径（RVD）。回归模型有两种训练策略：1) 分别训练两类数据；2) 将两类数据合并为一个数据集训练。此外，我们比较了多种 ResNet [53] 变体作为骨干网络的性能，并评估了 SE 模块 [60] 的效果。实验结果如表 5 所示。基于表 5 的结果，我们采用配备 SE 模块的 ResNet101 [53] 作为骨干网络，并将两类的目标合并为一个数据集进行训练。

我们的方法实现了对狭窄指标的准确估计，如表 5 最后一行所示：RVD、MLD 和 SD 的 MAE 分别为 0.378、0.221 和 4.9，RVD 与 MLD 的平均 MAE 为 0.2998 mm。实验结果表明，使用更深的网络作为骨干可以略微降低 MAE，而 SE 模块的通道注意力机制能进一步提升性能。同时，与 normal 类相比，stenosis 类的定量回归取得了更低的 MAE。此外，为避免数据集中图像像素密度的轻微差异给定量带来不确定性，我们使用式 (16) 计算狭窄程度（SD）并评估其 MAE。图 8 显示回归模型的预测结果与真值高度一致：图 8(a) 绘制了测试集上 MLD 与 RVD 的散点图；图 8(b) 中每个子图展示 MLD 与 RVD 的 Bland-Altman 分析结果，Y 轴表示预测值与真值之间的偏差，X 轴表示两者的平均值。这些结果表明我们的模型预测与真值之间具有临床一致性。

5. 讨论#

在本工作中，我们提出了一种定制化检测策略 CASMatching，用于检测狭窄及其匹配 normal。CASMatching 解决了颈动脉狭窄检测中的问题，从而有助于形态学指标的直接定量。本节讨论当前方案的局限性与未来工作方向。

我们提出的流程分为两步：先自动检测，再定量分析，这可能引入误差累积。使用回归模型预测狭窄形态学指标的前提是：目标检测模型已正确预测出狭窄及其匹配 normal。因此，我们需要尽可能提升检测模型的性能，以保证流程顺畅并减轻误差累积。

此外，与端到端方法相比，两阶段流程通常时间效率较低，但能更好地完成特定任务。如何提升两阶段流程的效率将是我们未来的研究方向之一。

图 8. 回归模型的预测结果：(a) 散点图，(b) Bland-Altman 分析。

图 9. 狭窄检测的特殊情况：(a) 多处狭窄，(b) 颈总动脉狭窄，(c) 完全闭塞。

我们的狭窄检测假设单张 DSA 图像中颈动脉前或后分支只发生一处狭窄。这类数据约占总数的 97% ，是数据集中最普遍的情形。然而，如图 9 所示，仍有一些特殊情况是我们的模型无法处理的：a) 多处狭窄，b) 颈总动脉狭窄，c) 完全闭塞。一个潜在的解决方案是：在狭窄检测之前先对狭窄类型进行分类，然后根据狭窄类型动态调整检测策略。关键在于克服特殊病例数据稀缺的问题。我们将在未来工作中尝试解决这些问题，以提升方法的泛化能力。

6. 结论#

在本工作中，我们首次提出了基于 DSA 图像的颈动脉狭窄自动检测与定量研究。我们提出了一种定制化检测策略，称为颈动脉狭窄匹配（CASMatching）策略，用于建模”一处狭窄与多个 normal”之间的匹配关系。我们进一步讨论了当前存在的问题与未来工作方向。测试集上的实验结果验证了我们模型准确的回归预测与优越性能，展现了其在临床实践中辅助诊断与决策的潜在价值。

伦理审批#

本文涉及的所有病例均已获得本地伦理委员会批准用于本研究。

代码可用性#

模型代码位于仓库 https://github.com/chensaian/ 。

利益冲突声明#

我们声明本研究不存在需要报告的利益冲突。

致谢#

本文由国家留学基金委和广西壮族自治区教育厅人工智能与信息处理重点实验室（河池学院）资助（2022GXZDSY001）。

参考文献#

说明：以下列表保留英文原貌，便于检索与引用。

[1] C.O. Johnson, M. Nguyen, G.A. Roth, E. Nichols, T. Alam, D. Abate, F. Abd-Allah, A. Abdelalim, H.N. Abraha, N.M. Abu-Rmeileh, Global, regional, and national burden of stroke, 1990–2016: a systematic analysis for the global burden of disease study 2016, The Lancet Neurology 18 (2019) 439–458.

[2] Y. Wang, X. Zhao, L. Liu, Y.O. Soo, Y. Pu, Y. Pan, Y. Wang, X. Zou, T.W. Leung, Y. Cai, Prevalence and outcomes of symptomatic intracranial large artery stenoses and occlusions in China: the Chinese Intracranial Atherosclerosis (CICAS) Study, Stroke 45 (2014) 663–669.

[3] L.H. Bonati, S. Kakkos, J. Berkefeld, G.J. de Borst, R. Bulbulia, A. Halliday, I. van Herzeele, I. Koncar, D.J. McCabe, A. Lal, J.B. Ricco, P. Ringleb, M. Taylor-Rowan, H.H. Eckstein, European Stroke Organisation guideline on endarterectomy and stenting for carotid artery stenosis, Eur. Stroke J. 6 (2021) I–xlvii.

[4] A. Saxena, E.Y.K. Ng, S.T. Lim, Imaging modalities to diagnose carotid artery stenosis: progress and prospect, Biomed. Eng. 18 (2019) 1–23. Online.

[5] J. Geng, P. Zhang, Y. Xu, Y. Huang, S. He, Y. Wang, C. He, H. Zhang, Application of deblur technology for improving the clarity of digital subtractive angiography, Interv. Neuroradiol. (2022), https://doi.org/10.1177/15910199221143168.

[6] R. Kimura, A. Teramoto, T. Ohno, K. Saito, H. Fujita, Virtual digital subtraction angiography using multizone patch-based U-Net, Phys. Eng. Sci. Med. 43 (2020) 1305–1315.

[7] J. Khankari, Y. Yu, J. Ouyang, R. Hussein, H.M. Do, J.J. Heit, G. Zaharchuk, Automated detection of arterial landmarks and vascular occlusions in patients with acute stroke receiving digital subtraction angiography using deep learning, J. Neurointerv. Surg. 15 (6) (2023) 521–525.

[8] M. Zhang, C. Zhang, X. Wu, X. Cao, G.S. Young, H. Chen, X. Xu, A neural network approach to segment brain blood vessels in digital subtraction angiography, Comput. Methods Progr. Biomed. 185 (2020), 105159.

[9] W. Wu, J. Zhang, H. Xie, Y. Zhao, S. Zhang, L. Gu, Automatic detection of coronary artery stenosis by convolutional neural network with temporal constraint, Comput. Biol. Med. 118 (2020), 103657.

[10] X. Ma, G. Luo, W. Wang, K. Wang, Transformer network for significant stenosis detection in CCTA of coronary arteries, in: Proceedings of the Medical Image Computing and Computer Assisted Intervention–MICCAI 2021: 24th International Conference, Strasbourg, France, Springer, 2021, pp. 516–525.

[11] J.H. Moon, W.C. Cha, M.J. Chung, K.S. Lee, B.H. Cho, J.H. Choi, Automatic stenosis recognition from coronary angiography using convolutional neural networks, Comput. Methods Progr. Biomed. 198 (2021), 105819.

[12] D. Zhang, G. Yang, S. Zhao, Y. Zhang, D. Ghista, H. Zhang, S. Li, Direct quantification of coronary artery stenosis through hierarchical attentive multi-view learning, IEEE Trans. Med. Imaging 39 (2020) 4322–4334.

[13] Z. Zou, K. Chen, Z. Shi, Y. Guo, J. Ye, Object detection in 20 years: a survey, Proc. IEEE 111 (3) (2023) 257–276.

[14] T.Y. Lin, P. Goyal, R. Girshick, K. He, P. Dollár, Focal loss for dense object detection, in: Proceedings of the IEEE International Conference on Computer Vision, 2017, pp. 2980–2988.

[15] G. Hille, S. Agrawal, P. Tummala, C. Wybranski, M. Pech, A. Surov, S. Saalfeld, Joint liver and hepatic lesion segmentation in MRI using a hybrid CNN with transformer layers, Comput. Methods Progr. Biomed. 240 (2023), 107647.

[16] K.K. Wong, W. Xu, M. Ayoub, Y.L. Fu, H. Xu, R. Shi, M. Zhang, F. Su, Z. Huang, W. Chen, Brain image segmentation of the corpus callosum by combining Bi-Directional Convolutional LSTM and U-Net using multi-slice CT and MRI, Comput. Methods Progr. Biomed. 238 (2023), 107602.

[17] M.T. Bennai, Z. Guessoum, S. Mazouzi, S. Cormier, M. Mezghiche, Multi-agent medical image segmentation: a survey, Comput. Methods Progr. Biomed. 232 (2023), 107444.

[18] H. Bi, C. Cai, J. Sun, Y. Jiang, G. Lu, H. Shu, X. Ni, BPAT-UNet: boundary preserving assembled transformer UNet for ultrasound thyroid nodule segmentation, Comput. Methods Progr. Biomed. 238 (2023), 107614.

[19] Z. Zheng, P. Wang, W. Liu, J. Li, R. Ye, D. Ren, Distance-IoU loss: faster and better learning for bounding box regression, in: Proceedings of the AAAI Conference on Artificial Intelligence, 2020, pp. 12993–13000.

[20] L. Saba, M. Biswas, H.S. Suri, K. Viskovic, J.R. Laird, E. Cuadrado-Godia, A. Nicolaides, N. Khanna, V. Viswanathan, J.S. Suri, Ultrasound-based carotid stenosis measurement and risk stratification in diabetic cohort: a deep learning paradigm, Cardiovasc. Diagn. Ther. 9 (2019) 439.

[21] P.K. Jain, N. Sharma, A.A. Giannopoulos, L. Saba, A. Nicolaides, J.S. Suri, Hybrid deep learning segmentation models for atherosclerotic plaque in internal carotid artery B-mode ultrasound, Comput. Biol. Med. 136 (2021), 104721.

[22] S. Latha, P. Muthu, K.W. Lai, A. Khalil, S. Dhanalakshmi, Performance analysis of machine learning and deep learning architectures on early stroke detection using carotid artery ultrasound images, Front. Aging Neurosci. 13 (2022) 1013.

[23] S. Savaş, N. Topaloğlu, Ö. Kazcı, P.N. Koşar, Classification of carotid artery intima media thickness ultrasound images with deep learning, J. Med. Syst. 43 (2019) 1–12.

[24] M. Biswas, V. Kuppili, L. Saba, D.R. Edla, H.S. Suri, A. Sharma, E. Cuadrado-Godia, J.R. Laird, A. Nicolaides, J.S. Suri, A Deep-Learning Fully Convolutional Network For Lumen Characterization in Diabetic Patients Using Carotid ultrasound: a Tool For Stroke risk, Vascular and Intravascular Imaging Trends, Analysis, and Challenges, Volume 2: Plaque characterization, IOP Publishing, 2019.

[25] C. Azzopardi, K.P. Camilleri, Y.A. Hicks, Bimodal automated carotid ultrasound segmentation using geometrically constrained deep neural networks, IEEE J. Biomed. Health Inform. 24 (2020) 1004–1015.

[26] T. Zhou, T. Tan, X. Pan, H. Tang, J. Li, Fully automatic deep learning trained on limited data for carotid artery segmentation from large image volumes, Quant. Imaging Med. Surg. 11 (2021) 67.

[27] M. Ajami, P. Tripathi, H. Ling, M. Mahdian, Automated detection of cervical carotid artery calcifications in cone beam computed tomographic images using deep convolutional neural networks, Diagnostics 12 (2022) 2537.

[28] S.S. Skandha, A. Nicolaides, S.K. Gupta, V.K. Koppula, L. Saba, A.M. Johri, M.S. Kalra, J.S. Suri, A hybrid deep learning paradigm for carotid plaque tissue characterization and its validation in multicenter cohorts using a supercomputer framework, Comput. Biol. Med. 141 (2022), 105131.

[29] A. ElHabr, S. Merdan, T. Ayer, A. Prater, T.N. Hanna, M. Horný, R. Duszak, D.R. Hughes, Increasing utilization of emergency department neuroimaging from 2007 through 2017, Am. J. Roentgenol. 218 (2022) 165–173.

[30] C. Jiang, D. Jin, Z. Liu, Y. Zhang, M. Ni, H. Yuan, Deep learning image reconstruction algorithm for carotid dual-energy computed tomography angiography: evaluation of image quality and diagnostic performance, Insights Imaging 13 (2022) 182.

[31] J. Qiu, G. Tan, Y. Lin, J. Guan, Z. Dai, F. Wang, C. Zhuang, A.H. Wilman, H. Huang, Z. Cao, Automated detection of intracranial artery stenosis and occlusion in magnetic resonance angiography: a preliminary study based on deep learning, Magn. Reson. Imaging 94 (2022) 105–111.

[32] H. Chung, K.M. Kang, M.A. Al-Masni, C.H. Sohn, Y. Nam, K. Ryu, D.H. Kim, Stenosis detection from time-of-flight magnetic resonance angiography via deep learning 3d squeeze and excitation residual networks, IEEE Access 8 (2020) 43325–43335.

[33] V.D. Tsakanikas, P.K. Siogkas, M.D. Mantzaris, V.T. Potsika, V.I. Kigka, T.P. Exarchos, I.B. Koncar, M. Jovanović, A. Vujčić, S. Dučić, A deep learning oriented method for automated 3D reconstruction of carotid arterial trees from MR imaging, in: Proceedings of the 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), IEEE, 2020, pp. 2408–2411.

[34] Q. Zhang, H. Qiao, J. Dou, B. Sui, X. Zhao, Z. Chen, Y. Wang, S. Chen, M. Lin, B. Chiu, Plaque components segmentation in carotid artery on simultaneous noncontrast angiography and intraplaque hemorrhage imaging using machine learning, Magn. Reson. Imaging 60 (2019) 93–100.

[35] R. Zhang, Q. Zhang, A. Ji, P. Lv, J. Zhang, C. Fu, J. Lin, Identification of high-risk carotid plaque with MRI-based radiomics and machine learning, Eur. Radiol. 3 (2021) 3116–3126.

[36] I. Koktzoglou, R. Huang, A.L. Ong, P.J. Aouad, E.A. Aherne, R.R. Edelman, Feasibility of a sub-3-minute imaging strategy for ungated quiescent interval slice-selective MRA of the extracranial carotid arteries using radial k-space sampling and deep learning–based image processing, Magn. Reson. Med. 84 (2020) 825–837.

[37] N. Siddique, S. Paheding, C.P. Elkin, V. Devabhaktuni, U-net and its variants for medical image segmentation: a review of theory and applications, IEEE Access 9 (2021) 82031–82057.

[38] H. Zhang, D. Zhang, Z. Gao, H. Zhang, Joint segmentation and quantification of main coronary vessels using dual-branch multi-scale attention network, in: Medical Image Computing and Computer Assisted Intervention–MICCAI 2021, Springer International Publishing, Strasbourg, France, 2021, pp. 369–378.

[39] D. Zhang, H. Zhang, H. Zhang, L. Xu, J. Zhang, Z. Gao, Distance transform learning for structural and functional analysis of coronary artery from dual-view angiography, Future Generation Computer Systems 145 (2023) 136–149.

[40] C. Cong, Y. Kato, H.D. Vasconcellos, J. Lima, B. Venkatesh, Automated stenosis detection and classification in x-ray angiography using deep neural network, in: Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine (BIBM), IEEE, 2019, pp. 1301–1308.

[41] D. Han, J. Liu, Z. Sun, Y. Cui, Y. He, Z. Yang, Deep learning analysis in coronary computed tomographic angiography imaging for the assessment of patients with coronary artery stenosis, Comput. Methods Progr. Biomed. 196 (2020), 105651.

[42] J.T. Lu, S. Pedemonte, B. Bizzo, S. Doyle, K.P. Andriole, M.H. Michalski, R.G. Gonzalez, S.R. Pomerantz, Deep Spine: automated lumbar vertebra segmentation, disc-level designation, and spinal stenosis grading using deep learning, in: Proceedings of the Machine Learning for Healthcare Conference, PMLR, 2018, pp. 403–419.

[43] L. Dai, Q. Zhou, H. Zhou, H. Zhang, P. Cheng, M. Ding, X. Xu, X. Zhang, Deep learning-based classification of lower extremity arterial stenosis in computed tomography angiography, Eur. J. Radiol. 136 (2021), 109528.

[44] H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. Reid, S. Savarese, Generalized intersection over union: a metric and a loss for bounding box regression, in: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019, pp. 658–666.

[45] W. Lotter, A.R. Diab, B. Haslam, J.G. Kim, G. Grisot, E. Wu, K. Wu, J.O. Onieva, Y. Boyer, J.L. Boxerman, Robust breast cancer detection in mammography and digital breast tomosynthesis using an annotation-efficient deep learning approach, Nat. Med. 27 (2021) 244–249.

[46] R. Su, M. van der Sluijs, S.A. Cornelissen, G. Lycklama, J. Hofmeijer, C.B. Majoie, P.J. van Doornaal, A.C. van Es, D. Ruijters, W.J. Niessen, Spatio-temporal deep learning for automatic detection of intracranial vessel perforation in digital subtraction angiography during endovascular thrombectomy, Med. Image Anal. 77 (2022), 102377.

[47] T.Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, S. Bellegie, Feature pyramid networks for object detection, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 2117–2125.

[48] A. Buades, B. Coll, J.M. Morel, A non-local algorithm for image denoising, in: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), IEEE, 2005, pp. 60–65.

[49] A.R. Naylor, P.M. Rothwell, P.R. Bell, Overview of the principal results and secondary analyses from the European and North American randomised trials of endarterectomy for symptomatic carotid stenosis, Eur. J. Vasc. Endovasc. Surg. 26 (2003) 115–129.

[50] D.P. Kingma, J. Ba, Adam: a method for stochastic optimization, arXiv preprint arXiv:1412.6980, (2014).

[51] T.Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollár, C.L. Zitnick, Microsoft coco: common objects in context, in: Proceedings of the Computer Vision–ECCV 2014: 13th European Conference, Zurich, Switzerland, Springer, 2014, pp. 740–755.

[52] M. Everingham, L. Van Gool, C.K. Williams, J. Winn, A. Zisserman, The pascal visual object classes (voc) challenge, Int. J. Comput. Vis. 88 (2010) 303–338.

[53] K. He, X. Zhang, S. Ren, J. Sun, Deep residual learning for image recognition, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770–778.

[54] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.Y. Fu, A.C. Berg, SSD: single shot multibox detector, in: Proceedings of the Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, Springer, 2016, pp. 21–37.

[55] C. Li, L. Li, H. Jiang, K. Weng, Y. Geng, L. Li, Z. Ke, Q. Li, M. Cheng, W. Nie, YOLOv6: a single-stage object detection framework for industrial applications, arXiv preprint arXiv:2209.02976, (2022).

[56] G. Jocher, A. Chaurasia, A. Stoken, J. Borovec, Y. Kwon, J. Fang, K. Michael, D. Montes, J. Nadar, P. Skalski, Ultralytics/Yolov5: v6.1-TensorRT, TensorFlow Edge TPU and OpenVINO Export and Inference, Zenodo, 2022.

[57] M. Tan, R. Pang, Q.V. Le, Efficientdet: scalable and efficient object detection, in: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp. 10781–10790.

[58] Z. Cai, N. Vasconcelos, Cascade r-cnn: delving into high quality object detection, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 6154–6162.

[59] R. Girshick, Fast R-CNN, in: Proceedings of the IEEE International Conference on Computer Vision, 2015, pp. 1440–1448.

[60] J. Hu, L. Shen, G. Sun, Squeeze-and-excitation networks, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 7132–7141.

基于数字减影血管造影的颈动脉狭窄自动检测与定量：CASMatching 策略#

文章信息#

摘要#

1. 引言#