Применение обработки изображений при обнаружении легочной эмболии в Ct-ангиографии

Легочная эмболия (ПЭ) остается ведущей причиной сердечно-сосудистой смертности во всем мире, с предполагаемой частотой 60-70 случаев на 100 000 населения ежегодно. Это опасное для жизни состояние возникает, когда сгусток крови, обычно происходящий из глубоких вен в ногах, мигрирует в легкие, затрудняя легочные артерии и нарушая газообмен. Быстрый и точный диагноз необходим для начала антикоагулянтной или тромболитической терапии, снижения заболеваемости и предотвращения смертельных исходов. Компьютерная томография ангиография (КТА) стала стандартом ухода за диагнозом ПЭ, предлагая высокое пространственное разрешение и быстрое приобретение. Однако интерпретация исследований КТА для тонких или периферических эмболий может быть сложной задачей, даже для опытных радиологов. Методы обработки изображений появились в качестве критического инструмента для увеличения диагностической способности КТА, позволяя более раннее выявление, снижение интерпретационной изменчивости и в конечном итоге улучшение результатов лечения пациентов.

Роль обработки изображений в CTA для PE

Обработка изображений охватывает широкий спектр вычислительных методов, применяемых к исходным данным изображений для улучшения функций, подавления артефактов и извлечения клинически значимой информации. В контексте CTA для обнаружения PE эти методы работают синергетически для улучшения визуализации легочной сосудистой системы, освещения окклюзионных и неокклюзионных сгустков и автоматизации обнаружения подозрительных областей. Интеграция обработки изображений в клинические рабочие процессы сместила парадигму от чисто ручной интерпретации к гибридному человеко-компьютерному диагностическому процессу, где алгоритмы служат вторым считывателем или инструментом сортировки.

Методы совершенствования

Предобработка этапов является основой для эффективного анализа изображений. Методы повышения контрастности, такие как адаптивное выравнивание гистограммы или CLAHE (контрастное ограниченное выравнивание адаптивной гистограммы), регулируют локальные распределения интенсивности для улучшения видимости легочных артерий относительно окружающей паренхимы легких. Алгоритмы обнаружения края, включая Sobel, Canny или Laplacian гауссовых фильтров, очерчивают границы сосудов и могут выделять резкие изменения затухания, которые могут представлять внутрисосудистые дефекты наполнения. Фильтры деноизации (например, двусторонние фильтры, нелокальные средства или деноайзеры на основе глубокого обучения) уменьшают квантовый шум, присущий низкодозным протоколам CTA, которые все чаще используются для ограничения радиационного воздействия. Эти методы повышения не только помогают читателям с низкой дозой, но и готовят изображения для последующего автоматизированного анализа, обеспечивая согласованное качество изображения на различных платформах сканера и параметры приобретения.

Сегментация и извлечение судов

Точное разграничение легочного артериального дерева является необходимым условием для надежного обнаружения ПЭ. Алгоритмы сегментации - от наборов роста и уровней до глубоких сверточных нейронных сетей (CNN) - извлекают легочную сосудистую систему из окружающих легких, медиастинальных структур и контрастных грудных сосудов. После сегментирования просвет сосуда может быть проанализирован на наличие дефектов внутрилунного наполнения. Подходы иерархической сегментации, такие как фильтры сосудности (например, фильтр Франги), используют трубчатую геометрию артерий для идентификации областей-кандидатов и отдельных артерий от вен. Расширенные архитектуры U-Net и их варианты (например, V-Net, Attention U-Net) продемонстрировали отличную производительность в сегментации подсегментальных легочных артерий, которые, как известно, трудно оценить вручную. Обработка изображений позволяет воспроизводимую количественную оценку сосудистой морфологии, включая ветвящиеся паттерны и площадь поперечного сечения, которые могут быть коррелированы с обременением сгустка.

Автоматизированные алгоритмы обнаружения

Машинное обучение и глубокое обучение произвели революцию в автоматизированном обнаружении ПЭ. Традиционные подходы машинного обучения основывались на функциях ручной работы - интенсивности, форме, текстуре - извлеченных из областей-кандидатов и классифицированных с использованием случайных лесов или машин с опорным вектором. Эти системы достигли разумной чувствительности, но пострадали от высоких ложноположительных показателей из-за сложных анатомических вариантов и артефактов визуализации. Модели глубокого обучения, особенно CNN, теперь доминируют в этой области. Типичный конвейер включает: (1) сегментацию легочных артерий, (2) создание предложений о скольжении окна или области, (3) классификацию каждого кандидата как эмбола или неэмбола с использованием предварительно обученного CNN (например, ResNet, DenseNet) и (4) постобработку для агрегирования обнаружений и снижения ложноположительных результатов. Недавние публикации сообщили о чувствительности к символам более 90% с ложноположительной скоростью ниже 1 на пациента, конкурируя с динамикой усиления контраста или использованием 3D сверточных сетей (C3D, I3D) для захвата объемного контекста.

Модели глубокого обучения в клинической валидации

Несколько коммерческих решений ИИ для обнаружения ПЭ получили разрешение FDA, в том числе алгоритм PE Aidoc и инструмент PE triage Viz.ai. Эти системы работают в режиме реального времени на изображениях источников CTA, помечая подозрительные исследования для немедленного обзора. Масштабные ретроспективные и перспективные исследования подтвердили их влияние: сокращение времени оборота от минут до секунд, увеличение обнаружения случайных ПЭ в популяциях отделений неотложной помощи и улучшение межчитывающего соглашения. Например, многоцентровое исследование 2022 года, опубликованное в Радиология , показало, что протокол сортировки с помощью ИИ уменьшил медианное время до антикоагуляции на 42% по сравнению со стандартным рабочим процессом. Такие доказательства подчеркивают трансляционную ценность обработки изображений в уходе за ПЭ.

Количественная оценка и оценка серьезности

Помимо бинарного обнаружения, обработка изображений позволяет объективно количественно оценить нагрузку на сгусток — ключевой предиктор дисфункции правого желудочка (RV) и ранней смертности. Такие параметры, как индекс Канадли, оценка Мастора или объемная эмболическая нагрузка, могут быть автоматически вычислены из сегментированных тромбовых областей. Эти показатели коррелируют с соотношениями диаметра RV/левого желудочка (LV) на осевых или четырехкамерных представлениях, которые сами измеримы с помощью алгоритмов обработки изображений. Автоматизированный расчет соотношения RV/LV, диаметра легочной артерии и межжелудочкового септика обеспечивает композитную стратификацию риска, которая может быть интегрирована в системы поддержки клинических решений. Стандартизируя оценку тяжести, обработка изображений снижает субъективность и облегчает продольный мониторинг пациентов, подвергающихся тромболитической или хирургической операции.

Преимущества обработки изображений в обнаружении PE

Внедрение методов обработки изображений в клиническую практику дает ощутимые преимущества по нескольким аспектам ухода за пациентами и процесса рентгенологического исследования. В следующем списке представлены наиболее значительные преимущества:

Проблемы и существующие ограничения

Несмотря на значительный прогресс, ряд барьеров препятствуют полной интеграции обработки изображений в обычную практику ПЭ. Решение этих проблем имеет важное значение для безопасного, справедливого и эффективного развертывания.

Неоднородность данных

Изображения CTA поступают от разных производителей КТ (Siemens, GE, Philips, Canon), каждый с различными ядрами реконструкции, уровнями доз и протоколами контрастных инъекций. Алгоритмы, обученные на данных одного учреждения, часто ухудшаются в производительности при применении к внешним наборам данных. Технологии адаптации домена и увеличения данных, такие как моделирование различных профилей шума сканера, снимают эту проблему только частично. Для обеспечения надежности необходимы крупномасштабные многоцентровые учебные наборы с разнообразной демографией и параметрами приобретения.

Аннотация и основная истина

Надзорное глубокое обучение полагается на большие объемы точно меченных данных обучения. Создание воксель-мудрых аннотаций для PE - задача, которая требует экспертов-радиологов и может занять 30-60 минут на объем CTA - является ресурсоемкой. Полученные ярлыки могут по-прежнему содержать межнаблюдательные расхождения, особенно для небольших или хронических эмболий. Слабо контролируемые подходы и полуконтролируемое обучение являются активными областями исследований, но они еще не соответствуют производительности полностью контролируемых методов.

Интерпретируемость и доверие

Многие радиологи по-прежнему скептически относятся к системам искусственного интеллекта «черного ящика». Для того, чтобы процесс обработки изображений был принят, врачи должны понять, почему алгоритм помечает конкретный регион. Объясняемые методы ИИ, такие как карты заметности, карты активации класса (Grad-CAM) или визуализация функций, все чаще включаются в коммерческие продукты. Однако эти объяснения могут быть вводящими в заблуждение или неполными. Для построения доверия клиницистов требуются прозрачные, проверенные модели и непрерывное обучение о сильных сторонах и ограничениях технологии.

Регуляторные и компенсационные барьеры

Получение клиренса FDA или маркировки CE для инструментов обнаружения PE на основе ИИ является строгим процессом, требующим доказательств безопасности, эффективности и клинической пользы. Даже при клиренсе широкое внедрение зависит от моделей возмещения. В Соединенных Штатах существуют коды текущей процедурной терминологии (CPT) для компьютерного обнаружения, но они не могут адекватно покрывать затраты на интеграцию, обслуживание и надзор систем ИИ. Радиологи беспокоятся об ответственности, когда полагаются на результаты алгоритмов, и четкие медико-правовые рамки все еще развиваются.

Случайные открытия и сверхзависимость

Системы ИИ, оптимизированные для обнаружения ПЭ, могут упускать из виду другие критические результаты, такие как рассечение аорты, легочные узелки или заболевание коронарных артерий. Радиологи должны оставаться бдительными, чтобы избежать «предвзятости автоматизации», где они чрезмерно полагаются на алгоритм и пропускают диагнозы. Рекомендуется интеграция рабочего процесса, которая представляет результаты ИИ в качестве второго мнения, а не окончательного чтения. Кроме того, ложноположительные оповещения могут способствовать усталости тревоги, особенно в отделениях неотложной помощи большого объема.

Будущие направления

Текущие исследования обещают преодолеть существующие ограничения и расширить возможности обработки изображений в диагностике ПЭ. Особенно перспективными являются следующие направления:

Мультимодальная интеграция

Сочетание данных изображения CTA с клинической информацией (D-димер, оценка Уэллса, жизненно важные признаки) и другими методами визуализации (сканирование вентиляции / перфузии, эхокардиография) через мультимодальные рамки глубокого обучения может улучшить диагностическую точность и стратификацию риска. Раннее слияние, поздний слияние или модели на основе внимания, которые изучают кросс-модальные корреляции, находятся в стадии исследования. Такие системы могут обеспечить вероятностный диагноз, который включает в себя вероятность предварительного тестирования, результаты визуализации и гемодинамический контекст.

Обработка в реальном времени и точка обслуживания

Достижения в области вычислений графических процессоров и сжатия моделей позволяют делать выводы в реальном времени на консолях КТ или облачных платформах. Будущие системы могут выполнять «живое» обнаружение ПЭ во время приобретения сканирования, позволяя технологам немедленно уведомлять рентгенолога о положительном исследовании. Портативные КТ-сканеры, оснащенные ИИ на устройстве, могут расширить преимущества до ограниченных ресурсами или сельских настроек, где доступ к радиологии по специальности ограничен.

Федеративное обучение и сохранение конфиденциальности

Обучение надежным моделям требует данных от многих учреждений, но обмен данными о пациентах вызывает проблемы конфиденциальности и регулирования. Федеративное обучение обучает глобальную модель децентрализованным данным без передачи необработанных изображений. Несколько консорциумов (например, Центр медицинской визуализации и ресурсов данных, MIDRC) изучают федеративные рамки для обнаружения ПЭ. Ранние результаты показывают, что федеративные модели могут приближаться к централизованной производительности при сохранении суверенитета данных.

Объясняемый и причинный ИИ

Алгоритмы обработки изображений следующего поколения будут включать в себя причинно-следственные связи, например, моделирование того, как дефект заполнения возникает из сгустка, а не из дыхательного артефакта, и предоставлять контрфактические объяснения (например, «если эта область будет удалена, вероятность ПЭ снизится с 0,8 до 0,2»).

Расширение до хронического и субклинического ПЭ

Методы обработки изображений совершенствуются для выявления хронического тромбоэмболического заболевания, которое представляет собой паутину, стенозы и мозаичные перфузионные паттерны на CTA. Дифференциация острых от хронических PE направляет управление, поскольку хронические случаи могут потребовать легочной эндартерэктомии, а не антикоагуляции. Кроме того, поскольку CTA становится более чувствительным, субклинический PE в условиях, таких как COVID-19 или злокачественность, может систематически оцениваться, потенциально изменяя протоколы наблюдения.

Заключение

Обработка изображений трансформировала обнаружение легочной эмболии в КТ-ангиографии, эволюционируя от базового улучшения до сложных диагностических систем, управляемых ИИ. Эти методы улучшают визуализацию, автоматизируют обнаружение, количественно определяют нагрузку на сгустки и улучшают стратификацию риска, что приводит к более быстрой и точной диагностике. Хотя проблемы, связанные с неоднородностью данных, аннотацией, интерпретацией и одобрением регулирующих органов, остаются, продолжающиеся достижения в мультимодальном ИИ, обработке в реальном времени, федеративном обучении и объяснимых алгоритмах, обещают еще больше повысить уровень обслуживания. Поскольку обработка изображений продолжает созревать, ее интеграция в клинические рабочие процессы будет не только улучшать результаты для отдельных пациентов, но и оптимизировать радиологические операции и уменьшить глобальное бремя пропущенной ПЭ. Синергия между человеческим опытом и вычислительной мощностью представляет будущее точной медицины в грудной визуализации.