基于深度学习的血管内光学相干断层成像中支架的自动化综合评估

《Biomedical Signal Processing and Control》:Automated deep learning-based comprehensive assessment of stent in intravascular optical coherence tomography

【字体: 大 中 小 】 时间:2026年10月10日 来源:Biomedical Signal Processing and Control 5.7

编辑推荐:

   摘要手动识别和量化血管内光学相干断层扫描(IVOCT)图像中的冠状动脉支架耗时长且存在主观性。本研究开发了一种基于深度学习的目标识别模型SMA-YOLO,用于自动识别和定量评估冠状动脉支架。该模型基于YOLOv8,结合了相邻帧信息、定制化特征提取骨干网络、多尺度动态特征金字塔

  

摘要

手动识别和量化血管内光学相干断层扫描(IVOCT)图像中的冠状动脉支架耗时长且存在主观性。本研究开发了一种基于深度学习的目标识别模型SMA-YOLO,用于自动识别和定量评估冠状动脉支架。该模型基于YOLOv8,结合了相邻帧信息、定制化特征提取骨干网络、多尺度动态特征金字塔网络以及自适应任务分解与对齐检测头。采用来自三家医院的回顾性多中心数据集(包含118名独立患者、181次回撤和7732帧图像)进行模型开发与评估。SMA-YOLO在内部测试集上的精确率和召回率分别为98.0%和97.4%,在独立外部测试集上分别为97.0%和96.0%。该模型在所评估的不同支架材料、术后阶段、复杂临床场景以及两套OCT系统上均保持了高性能。检测到的支架 strut 进一步用于测量支架面积、贴壁不良距离和新内膜厚度,并生成二维和三维可视化图像。这些自动测量结果与两位资深专家的结果高度吻合(所有r > 0.98)。模型辅助标注还缩短了专家标注时间并提高了初级医师的评估准确性。结果表明,SMA-YOLO支持IVOCT中支架的自动识别、定量测量和空间可视化。

引言

冠状动脉疾病(CAD)是全球发病率和死亡率的主要原因之一[1], [2]。其主要病理机制是冠状动脉中动脉粥样硬化斑块的形成,导致血管狭窄或阻塞,进而引起心肌缺血和损伤。经皮冠状动脉介入术(PCI)已成为治疗CAD的常规微创方法[3]。支架置放的准确性以及术后组织修复和覆盖的评估对于减少长期并发症至关重要。充分的支架扩张和贴壁是重要的手术目标[4], [5]。扩张不足、贴壁不良以及后续的新内膜生长会增加再狭窄、血栓形成及其他不良心血管事件的风险[6], [7], [8]。因此,对植入支架的精确评估是PCI和术后随访的重要组成部分。
IVOCT是一种超高分辨率成像技术,轴向分辨率约为10–15 μm。它不仅能够精确观察支架贴壁和扩张情况,还允许随访血管修复过程中如新内膜生长等生物学反应[9], [10]。这些形态学细节为识别支架血栓、评估支架贴壁不良和检测支架内再狭窄提供了诊断依据。支架面积(SA)、贴壁不良距离(MD)和新内膜厚度(NT)是评估支架扩张、贴壁和组织覆盖的重要定量参数[11], [12]。传统手动分析需要大量阅图时间,且测量一致性受阅图者经验影响[11], [13]。自动分析必须适应药物洗脱支架(DES)和可降解血管支架(BVS)不同的光学外观。金属 strut 通常显示明亮的反射和尾随阴影,而BVS strut 具有盒状结构和中心暗核。此外,血液残留、导丝阴影、侧支血管、信号衰减和重叠支架将导致 strut 外观高度变化,这大大增加了自动检测和测量的难度。
深度学习推动了IVOCT中冠状动脉支架自动检测的进展,并实现了单一框架内的多功能集成。现有研究大多仅关注金属DES,而对DES和BVS的联合识别仍属探索不足,这可扩展算法的材料适用性。单帧分析无法反映回撤过程中支架的连续性;将分析扩展到相邻帧之间的空间上下文可捕获连续的支架形态。多中心数据和外部独立测试可提高模型泛化能力的评估。对于重叠支架,在进行轮廓拟合之前进行分层分离可支持内外支架结构的精确几何测量。
早期自动方法主要从明亮的反射、尾随阴影、强度轮廓和形态特征中识别金属 strut [14], [15]。深度卷积模型随后改善了组织覆盖下的检测性能,并引入了相邻帧信息[16], [17]。单阶段检测器和注意力机制也被用于改善小 strut 的定位[18], [19]。对于BVS,研究最初使用暗核和盒状外观作为手工特征[20], [21],后来采用了卷积分割网络[22], [23]。最近一篇关于冠状动脉内OCT中人工智能的综述强调了清晰的数据划分、独立验证和临床可解释输出的必要性[24]。
为应对上述挑战,本研究提出了SMA-YOLO,一种基于YOLOv8改进的用于自动检测支架 strut 的算法。本研究的贡献如下。(1)SMA-YOLO结合相邻帧信息并利用支架的空间连续性来增强局部特征和结构信息的感知。调整骨干网络以保留小目标信息,MDFPN融合浅层和深层多尺度特征,ATDA-DH使用任务分解和动态特征对齐来优化分类和定位。(2)在支架检测的基础上,该方法估计支架轮廓,分离重叠支架的内外层,测量MD、NT和SA,并使用二维和三维可视化展示支架结构。(3)SMA-YOLO通过内部和独立外部测试、两套OCT系统、不同支架材料和采集时期、复杂临床场景以及与专家手动测量的比较进行了评估。整体研究设计如图1所示。与YOLOv8n相比,SMA-YOLO将内部测试的精确率从97.2%提高至98.0%,召回率从96.8%提高至97.4%,F1分数从96.8%提高至97.6%,mAP50:95从77.6%提高至78.4%。在外部测试集上,精确率从94.6%提高至97.0%,召回率从95.6%提高至96.0%,F1分数从95.3%提高至96.7%,mAP50:95从67.5%提高至71.6%。

章节摘要

传统支架分析方法

早期金属支架检测主要关注表面反射产生的高信号强度和尾随阴影。Xu等人使用脊线强度和方向来检测厚新内膜覆盖下的 strut [14]。Wang等人分析了回撤序列中A线强度轮廓和阴影信息[25],Lu等人则结合了阴影检测、形态候选提取和袋装决策树[15]。其他研究引入了血管几何和空间

数据来源与研究设计

从2015年2月至2023年2月,在中国三个中心连续筛选医院IVOCT档案中的患者。本研究纳入既往接受PCI或在PCI住院期间进行了临床指征OCT检查的冠状动脉疾病患者。合格检查使用临床血管内OCT系统采集,并清晰描绘管腔边界和支架 strut。图像质量下降无法定位这些

检测与消融结果

SMA-YOLO被训练用于在IVOCT图像中定位支架 strut。表1报告了四种架构改进的分阶段条件消融。相邻帧输入将mAP50:95从76.3%提高至77.8%。在相邻帧和定制化骨干配置中添加MDFPN后,精确率、召回率、F1分数和mAP50:95分别提高了0.4、0.4、0.4和0.6个百分点。添加ATDA-DH后精确率、召回率和F1分数进一步提高了0.8、0.5和0.6个百分点

主要发现

在这项多中心研究中,SMA-YOLO被开发用于在IVOCT图像中同时检测药物洗脱支架(DES)和可降解血管支架(BVS) strut。该模型结合了相邻帧信息、多尺度动态特征金字塔网络(MDFPN)和自适应任务分解与对齐检测头(ATDA-DH)。在内部和独立外部测试集上进行了评估,并进一步连接到轮廓估计、重叠支架分离、

结论

本研究开发了SMA-YOLO作为检测冠状动脉支架 strut 并将检测结果转化为植入支架定量和空间评估的集成框架。该模型通过利用相邻帧将回撤沿线的空间连续性纳入YOLOv8,使用MDFPN在多尺度特征融合过程中保留小 strut 信息,以及使用ATDA-DH在降低模型复杂度的同时协调分类和定位来扩展YOLOv8。SMA-YOLO

CRediT作者贡献声明

Delong Kong:撰写 – 审阅与编辑,撰写 – 原始草稿,可视化,验证,指导,软件。Pengfei Liu:项目管理,调查研究,资金获取,形式化分析。Haixing Chu:撰写 – 审阅与编辑,撰写 – 原始草稿,数据管理。Kaisaierjiang Kadier:项目管理,方法论。Zhengyang Mu:可视化,验证。Chunying Cui:数据管理。Xiaolei Lu:数据管理。Xinliang Peng:指导,软件,资源,数据

基金资助

本研究由新疆维吾尔自治区重点研发专项(编号:2022B03022-3)、国家自然科学基金(编号:82360090)、山东省医药卫生科技计划(编号:202410000557)、研究生教育创新项目新疆生产建设兵团(资助编号:BTYJSXM-2025-SC03)以及2025年新疆生产建设兵团创新团队项目(编号:2025DB018)资助。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

作者感谢参与本研究的临床医生和助手在数据收集、准备和质量控制方面的工作。作者还感谢参与中心提供IVOCT成像数据。
伦理声明。
本研究经新疆医科大学第一附属医院伦理委员会批准(批准编号:240104-02)。该委员会对本次回顾性分析给予了知情同意豁免。所有数据均在
Delong Kong|Pengfei Liu|Haixing Chu|Kaisaierjiang Kadier|Zhengyang Mu|Chunying Cui|Xiaolei Lu|Xinliang Peng|Xiaoxin Wu|Zang Lu|Gulinuer Wufu|Yunfei Dai|Wenqing Hou|Xiang Ma|Jianguo Dai
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号