仅需一点点深度学习的魔法配方，这篇影像组学文章竟发到了顶刊Radiology！
大家好，我是鑫仔。今天分享一篇2022年发表于放射学顶刊Radiology的一篇题为 “Calcium Scoring at Coronary CT Angiography Using Deep Learning” 的深度学习联合影像组学文章。基于深度学习算法，建立了自动从冠脉CTA（血管造影CT）得到的冠脉钙化积分（CAC）模型。避免了在冠脉CTA前通过单独平扫CT量化钙化积分产生过多辐射的风险。
题目要素拆解
研究疾病：斑块负荷（钙化积分）
应用算法：深度学习算法U-Net，3D CNN
构建模型：冠脉钙分割模型，CAC评分回归模型
数据来源：冠脉CTA，虚拟非对比CT，非对比CT
研究目的：从单独的CTA扫描中自动量化CAC评分，减少平扫CT辐射
知识背景
冠脉钙化积分CACS
冠脉钙化积分（Coronary Artery Calcification Score, CACS）是使用CT对冠脉整体的钙化情况进行量化评估，目前常用的计算方法有Agatston积分、体积积分和质量积分。本文应用的是目前最常见的Agataton积分。
Agatston积分计算的原理为钙化密度赋分×钙化面积。首先根据病变的CT值进行赋分，130-199 HU为1分，200-299 HU为2分，300-399 HU为3分，400 HU及以上为4分，然后乘上钙化面积（以mm2计），最后将CT所有截面中各个冠脉的评分相加，得到总钙化评分。
钙化积分与斑块负荷显著正相关，可以准确评估斑块负荷，从而预测心血管疾病风险。0分表示无明显斑块负荷，1-99分表示轻度斑块负荷，100-399分表示中度斑块负荷，≥400分可能会有重度斑块负荷。
通过对比剂增强的冠状动脉CTA是临床上最常用的一种简单有效而无创的冠状动脉疾病诊断的方法。但是由于造影剂导致血管与钙化不易区分，在冠脉CTA中不能进行钙化积分计算。因此传统钙化评估需要基于额外的CT平扫图像，采用半自动方法进行计算。加重了患者的健康负担。
U-Net算法
U-Net是比较早的使用全卷积网络进行语义分割（Segmentation）的算法之一，由于网络具有U型的结构而的名U-Net，是一个经典的全卷积网络（即网络中没有全连接操作）。
U型的左半部分是一个编码器（文章称作contracting path），由三个卷积层（3x3，激活函数=ReLU，Pedding=VALID）和一个Max Pooling（2x2，步长=2）构成一个Block，总共有四个Blocks。输入一张572x572的图片，每组进行连续两次卷积操作后池化（Max Pooling）,每次池化后特征空间翻倍，经过四次池化，最终得到了尺寸为32x32的特征图。
U型的右半部分是一个解码器（文章称作expansive path），同样由4个Blocks组成。通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸（左边虚线）的Feature Map进行归一化，叠加反卷积，最终数据结果为2个尺寸为388x388的分割图（二分类任务）。
以上只是对算法的简单理解，其实为了能更好的处理图像的边界像素，U-Net使用了Overlay-tile Strategy（给输入图像周围加一圈对称的边，左图白色）来解决该问题。
好了，了解了这些对本文的理解已经没什么问题了。本算法的数据早已开源，想仔细研究算法推荐去看原文哦~
虚拟非对比CT（VNC）
是双能CT的另一个潜在应用，可以在识别碘体素后，去除CT中的碘成分，创建虚拟的非对比图像，即没有碘对比剂的增强图像。在本文中，该方法可以避免手动注释钙区域的劳动密集型和易出错的任务。使用光谱CT和CTA（均为双能CT）上获得的VNC扫描来获得初始区域来进行Masking。
通常，我们可以比较灰度像素等参数来区分影像病灶。但是如果想在影像上获得相关元素的含量，就需要比较原子数。假设有一个碘和骨组织切片，第一次我们用单能CT 100kV照射得到影像1，第二次影像用单能CT 140kV照射得到影像2。然后将影像1中正常组织的影像值调整到和影像2相同。不难想象，调整后所得到的异常影像值在影像1中更高。之后将影像一个影像二相同部分重合做差，最终的到的影像没有碘对比剂的影响，也就是构建了一个虚拟非对比CT。虽然影像学我不懂，但是这个方法和药物分析中的比色法中的内消色法是不是很像？
（本文的图3也可以帮助理解这个过程）
更进一步的理解：下图是一张在NIS网站获得的单能CT质量衰减系数*概率密度分布（有公式）而得到的线性衰减系数曲线。可以看出在曲线中，在大约 100 keV 处，可以测量骨骼和碘的相同线性衰减系数。在大约 50 keV 处获得的数据就可以用来区分两种材料。
本篇综述更具体的介绍了双能CT和多能CT的原理和应用，感兴趣的话，推荐看原文哦。
方法构建
样本纳入
训练集和验集取自2019年三月到2020年7月的292名患者和73名患者。获得数据包括虚拟平扫CT（VNC），CTA，和非对比CT。独立测试集包括140名患者，分成三组，其中100名患者接受IQon Spectral CT 机检测，100名患者接受iCT256 CT机检测，另外40名患者由Revolution CT机进行检测。获得了CTA或非对比CT的检测数据。
为了观察组内和组间变异，一位放射科医生对所以非对比CT计算钙化积分做参照，另一位医生计算测试集的所有钙化积分，测试集CACS取两位医生所得结果的平均值。
模型构建
模型由冠脉钙分割模块，CAC评分回归模块两部分组成。在分割部分，选用了类似U-Net的算法，CACS回归部分使用多个尺度的特征得到对应的 CAC 分数。并且两个模块都利用了3D卷积神经网络（具体算法代码未公开）。
在训练过程中，利用VNC进行与 CTA 扫描相对应的钙区掩膜。然后，将VNC 扫描上的候选 CAC 区域划分为高于 130 HU 的区域。最后，使用深度学习算法在 CTA 自动执行冠状动脉分割。
模型评估
01
非对比 CT 和 VNC CT CAC 评分的组内和组间变异评估
分别运用组内相关系数（ICC）和Bland-Altman法对两位影像医生的非对比CT半自动读数的组内和组间的变异性进行评估
结果显示
ICC分析显示：组内差异ICC为1（95% CI：1、1），一致。组间差异ICC为 0.96（95% CI：0.95、0.97）一致性较强。
Bland-Altman法显示，组内几乎无差异，组间差异值a和b分别为7.5和16.3，在95%区间内，差异较小。
由此可以得出结论：利用VNC代替非对照CT进行分析是没有问题的。
02
相关性评估
利用皮尔森相关系数比较深度学习 CTA 和非对比 CT CAC 评分。并利用ICC和Bland-Altman对组内和组间变异性进行评价。
结果显示
Pearson 相关系数 = 0.96 [95% CI: 0.95, 0.97], ICC 为 0.94（95% CI：0.92, 0.95），Bland-Altman分析组间差异a和b分别为11.4 和-13.3，一致性较强。说明预测模型几乎达到了非对比CT的计算CACS的标准。
03
风险一致性评估
随后对训练集结果的一致性进行了评估。240名患者中有223名（93%）的患者CTA算法结果与非对比CT结果一致。虽然存在一定错误风险，但错误评分不会相差多余一分。模型还是较为准备的评估CAC患者。
04
不同的CT扫描器性别和组织厚度评估
最后，对不同性别，不同组织厚度以及CT扫描仪的测试集患者进行比较，结果显示，均没有显著差异。
全文总结
本文利用基于3D卷积神经网络的类似U-Net的seq2seq和CAC评分回归模型构建了通过冠脉CTA计算CACS的模型，解决了患者需多次做CT检测被CT辐射损伤等问题。文章的巧妙之处在于，通过VNC使算法构建不用挨个注释的掩模，省去了掩膜过程中大量劳动力的投入和错误的产生。
文章创新点包括
思路创新：
该研究基于能谱CT优势，利用虚拟平扫图像生成准确钙化标注，避免了对钙化的冗余人工标注，适合于大数据量的人工智能研究；
模型创新：该研究采用先进卷积神经网络，采用了两个模块检测模块和钙化分数回归模块，在保证准确钙化检测同时直接从图像中进行分数回归；
临床创新：该团队开发的模型可以准确地从CTA图像中直接获取钙化积分，进行心血管疾病风险评估，避免额外CT平扫辐射及操作半自动钙化积分软件导致的人工负担。文章的局限性在于缺少外部数据集对照，并且训练集的数据仅仅从单一的光谱CT获得。
参考文献
撰文丨鑫仔
排版丨顶顶
【手撕代码】医学影像报告自动生成(2) 数据探索性分析及可视化
微信扫码关注该文公众号作者