人工智能与临床创新研究院月刊 总第008期

Monthly Journal

08

2020第8期

主办单位：

人工智能与临床创新研究院

*  本月刊仅供内部员工个人学习参考，请勿外传

1

2

3

Contents

目录

基于MR影像的脑微出血检测及其临床价值

人工智能在X-ray透视成像中的应用

4

乳腺癌的影像学研究进展

基于深度神经网络的高性能MR图像去噪方法

作者：鞠光亮（人工智能与临床创新研究院） 苗桢壮   孙爱琦（MR研发中心）

毕业于哈尔滨工业大学，目前就职于东软医疗人工智能与临床创新研究院，人工智能资深研究员，长期从事人工智能与医学影像相结合的工作，在医学图像处理与分析、疾病辅助检测与诊断、快速高质量MR成像等方向做出了多项重要的创新性工作。

鞠光亮

◀ 研究概况 ▶

作为临床诊断中常规的辅助手段，核磁共振成像（MR）能够实现对人体内部组织的高分辨率、多对比度的二维或三维成像，在疾病诊断中具有不可替代的作用，显著提升了医生对于病变的检出能力。随着技术的发展，临床应用中对大型医疗设备有着更高的要求，重点体现在安全性、精确性、实时性等方面。MR成像一直以来存在的痛点问题之一是扫描时间长，为解决问题，除硬件方面逐步的更新换代以外，软件以及算法方面也需要更大的进步。目前现有的重建算法在加速扫描时，会引入更多的噪声，给诊断带来负面的影响。通常而言，传统的去噪方法（如k空间滤波、图像域的高斯滤波等）泛化能力一般较强，同一种算法可以应用到多种序列图像上，但其去噪效果与基于神经网络的数据驱动算法相比，存在去噪能力不足以及去噪后图像过于模糊等问题；另一方面，基于数据驱动的神经网络算法有着更好的去噪能力、图像更清晰。为此，人工智能与临床创新研究院和MR研发中心合作研发了一种基于深度神经网络的高能性MR图像去噪方法。

2018年获英国伦敦大学国王学院博士学位。目前担任东软医疗磁共振研发中心高级重建算法工程师，主要研究数值计算、医学成像逆问题、凸优化和高性能计算。现负责基于人工智能技术的磁共振快速成像的研发与应用工作。

苗桢壮

2017年获清华大学生物医学工程博士学位，目前担任东软医疗磁共振产品研发中心高级算法工程师，主要负责并行成像、动态成像、以及运动伪影矫正等方法的研发。

孙爱琦 

◀ 研究背景和目的 ▶

一、模型训练

模型：本文采用类似U-net[1]（如图1所示）的改进版网络架构，并采用多尺度、保真项等特殊结构，本文设计的网络的优点在于：

（1） 适用于不同的噪声水平

（2） 在去噪的同时能最大程度的保证图像细节的不变

数据：本文采用的数据集来自四种常规扫描序列（T1 IR-TSE Tra、T2 TSE Tra、T2 TSE Sag、T2 FLAIR Tra），输入数据包括：不同加速比降采图像、单次采集图像，标签数据包括：对应的满采图像、多次采集平均图像。

本文的方法在四种头部常规加速扫描序列上进行验证，同时与一种传统滤波去噪方法、以及非加速默认临床常规头部序列的扫描结果进行对比。常规序列包括：T1 IR-TSE Tra、T2 TSE Tra、T2 TSE Sag、T2 FLAIR Tra。四种序列的对比度、采集矩阵大小、分辨率都不同，用来验证深度神经网络的泛化能力。如图2、3、4、5、6、7、8、9所示，分别为四种序列加速扫描后去噪的结果对比。可以看出与传统方法相比，深度神经网络的结果去噪能力更强、边界保持的更清晰。4位影像医生采用李克特 5分量表法评分标准对不同采集时间和去噪方法的188例采集图像进行乱序盲测打分（满分5分），深度神经网络以平均4.18分的成绩优于非加速采集的4.01分（具体打分如图10所示），采集时间是非加速扫描的三分之一。

◀ 研究方法▶

二、模型测试

测试数据：临床采集188例常规序列包括（T1 IR-TSE Tra、T2 TSE Tra、T2 TSE Sag、T2 FLAIR Tra），不同加速比、不同分辨率。

评价方法：四名影像医生主观打分（李克特 5分量表法评分标准）

图1 U-net结构图

◀ 研究结果和结论▶

图2 T1 IR-TSE Tra 序列 左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

图3 上图对应位置的局部放大左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

图4 T2 TSE Tra 序列 左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

图5 上图对应位置的局部放大左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

图6 T2 TSE Sag 序列 左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

图7 上图对应位置的局部放大左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

图8 T2 FLAIR Tra 序列 左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

图9 上图对应位置的局部放大左1加速扫描、左2传统滤波、左3本文方法去噪、左4非加速扫描

MR成像是一个复杂、繁琐的过程，从采样、数据处理到图像重建，其中包含了特有的领域知识；深度神经网络则是一种超强的非线性拟合工具，在很多领域中都取得有目共睹的成绩，而在MR成像过程中利用好这个工具则需要高度结合领域知识、优势互补，才能充分发挥深度神经网络的作用。人工智能与临床创新研究院与MR研发中心合作完成的基于深度神经网络的高性能MR图像去噪方法，则是领域知识与神经网络有机结合的最好体现。

[1] Ronneberger, Olaf，Fischer, Philipp，Brox, Thomas. U-Net: Convolutional Networks for Biomedical Image Segmentation, 2015.

图10 临床影像医生打分结果

◀ 创新点和思考总结▶

◀ 参考文献▶

人工智能在X-ray透视成像中的应用

作者：钱山

2020年硕士毕业于北京航空航天大学生物医学工程专业。目前担任人工智能与临床创新研究院 前沿临床技术创新部 前沿产品研究员，研究方向包括心血管流体动力学，动脉粥样硬化建模仿真，磁共振成像。

钱山  硕士

随着计算机技术和成像技术的发展，X-ray透视成像（X-ray fluoroscopy）已广泛应用于临床疾病的诊断和治疗中，其中数字减影血管造影成像（Digital subtraction angiography, DSA）自上世纪80年代在临床上首次应用以来，已成为心脑血管疾病无创诊断与介入治疗手术导航的重要依据^{[1, 2]}。高质量的医疗影像，对于医生精确诊断患者病情有直接影响。相比会给患者带来大剂量辐射的计算机断层扫描（Computed tomography, CT）和正电子放射断层造影术（Positron emission tomography, PET），以及需要较长扫描时间的磁共振成象（Magnetic resonance imaging, MRI），DSA具有对比度分辨率高、检查时间短、造影剂用量少浓度低、患者X线吸收量明显降低以及节省胶片的特点，在血管类疾病的临床诊断和治疗中，具有十分重要的意义^[3]。

近年来，人工智能在冠脉CT、MRI等多种图像领域都取得了良好的效果，证明了人工智能在医学成像及影像处理领域的有效性和应用潜力。人工智能技术可在几秒内完成图像判读，并减少观察者之间及观察者自身在判断冠脉病变诊断方面的差异，从而提高血管病变诊断的效率和准确性；同时，基于AI的血管疾病辅助诊疗技术，可以方便且迅速地推广到全国各级医院，实现对基层医院的资源共享，为提高基层医院诊疗水平提供帮助，有助于提高整体诊断效率。但是，人工智能在X-ray透视成像方面的研究发展缓慢。例如AI在冠脉造影方面的研究尚只停留

在初级的血管提取阶段，且都是在小规模样本上进行的，不足以进一步探索更深层的模型，也不足以支撑其应用于临床实践^[4]。其发展缓慢的主要原因在于两个方面，一方面大多数用于实时引导手术导航的透视图像没有存档，因此深度学习模型的训练缺乏数据支撑；另一方面，透视图像的大规模标注费时费力，也是一个严重的挑战^[5]。因此，近些年供应商们转换思路，在新一代C臂透视成像系统机的研发中引入人工智能技术。此外，辐射剂量水平是C臂透视成像系统重要的考虑因素。高剂量成像会增加医生和患者的电离辐射损伤；低剂量成像会增大图像噪声、降低成像质量，影响医生开展疾病诊断和治疗。因此降低X-ray透视成像过程中的辐射剂量、提高成像质量一直是临床研究的热点。如何利用人工智能来解决上述问题、吸引了研究者的兴趣。

本文主要从DSA成像优化以及辅助疾病诊疗两方面列举了人工智能技术的典型应用，并总结了当前X-ray透视成像和AI结合可能遇到的问题以及未来潜在的发展方向。

本节主要围绕DSA成像阶段和辅助疾病诊疗两方面展开介绍人工智能在X-ray透视成像中的应用情况。

在保证DSA成像质量可用的前提下，降低成像过程中的辐射剂量一直是临床研究的热点。本节主要调研并介绍了在DSA成像优化中，利用人工智能技术在提高成像质量、降低辐射剂量以及优化X-ray透视成像工作流三方面的典型应用。其中，成像质量的提高主要围绕图像去噪以及减少成像过程中的移动伪影展开。

络Dense DnCNN，该网络同时支持低辐射剂量以及高质量透视成像[8]。该网络将DenseNet集成到DnCNN中，在去除图像噪声的过程中，保留了全部卷积神经网络（Convolutional neural network, CNN）级别的图像特征，避免梯度消失；其损失函数在L2损失的基础上添加了感知损失，在提升去噪性能的同时，有效防止过度平滑，保持图像边缘清晰；另外，通过DenseBlock-B剔除无效的图像特征，并提高算法的鲁棒性和计算速度。此外，研究人员利用临床患者的透视图像对比、评估了DnCNN以及Dense DnCNN的去噪效果。评估结果表明，Dense DnCNN的峰值信噪比（peak signal to noise ratio, PSNR）平均为46.32dB，高于DnCNN（45.46dB）；同时在视觉评估中，结合感知损失的Dense DnCNN在防止过度平滑的前提下，能够保留更多的图像细节信息^[8]。这说明，结合感知损失的Dense DnCNN网络在改善透视图像噪声方面性能更优。

DSA图像的噪声是由X射线的量子噪声、视频摄像机工作的噪声、模拟存储期间的噪声、被检者身体的散射线等多方面因素产生的，会直接导致图像质量的降低，从而影响临床疾病的诊断和治疗，因此去噪一直是DSA成像领域的热点研究方向^[6]。

Zhang 等人提出了一种前馈去噪卷积神经网络（denoising convolutional neural network, DnCNN），采用残差学习分离噪声与图像，同时使用更深的结构、正则化和批量归一化等方法提高去噪性能。其中，残差学习和批量归一化的整合提高了去噪的质量，加快了训练的速度。与通常在特定噪声水平上训练的特定模型现有的判别去噪模型不同，DnCNN模型能够处理具有未知噪声水平的高斯去噪（即盲高斯去噪）。另外，该网络采用零填充的方法避免了边界伪影。大量的实验表明，DnCNN模型不仅在一般的图像去噪任务上展现了高的效率，而且还可以通过GPU的计算获得有效的实现^[7]。此外，Wu等人基于深度学习技术，提出了一种全新的去除透视图像噪声的网

此外，Luo等人在CNN框架内引入了一种超密集去噪网络（ultra-dense denoising network, UDDN），用于心血管X-ray透视图像去噪^[10]。该网络包含几个超密集的模块（ultra-dense blocks , UDBs），每个UDBs具有相同的卷积层，模块之间参数共享，有利于内存释放，加快运算速度。该网络通过在每个残差块内建立多路径神经单元之间的相关性，信息交互的提升有效地改进了局部特征提取，可以更好地搜索低剂量X-ray透视图像与其全剂量金标准图像之间的映射关系。该网络通过迭代训练高剂量X-ray透视图像和低剂量X-ray透视图像，得X-ray透视图像去噪模型。在模拟和临床数据集上的验证实验结果显示，与现有的DnCNN和DenseNet相比，UDDN具有更高PSNR和信噪比（signalto-noise ratio, SNR），去噪图像质量更高（如图1所示）。这表明，在心血管X-ray透视图像去噪方面，UDDN优于现有的基于CNN技术。

另外，Sun等人提出并测试了一种用于X-ray透视图像去噪的生成对抗网络（generative adversarial network, GAN）^[11]。该网络的训练数据来自于一台数字X线摄影系统（digital radiography, DR）获取的真实X-ray透视图像数据集。该网络包含一个生成器网络G（generator network）和一个判别器网络D（discriminator CNN）。其中，生成器G由12个卷积层组成，利用瓶颈结构（bottleneck architecture），在加深网络深度的同时，减少网络参数，从而降低了网络训练的难度，用于将含噪声的DR图像转化成去噪DR图像；判别器网络D包括4个卷积模块和2个全连接层，用于判别生成的去噪DR图像和金标准图像之间的相似性，输出去噪DR图像为目标无噪图像的概率。GAN通过优化权值w和偏差b训练损失函数，支持将含噪声DR图像转化成类似于无噪声图像的去噪图像，且去噪图像用于安全检查的验证实验取得了很好的结果^[11]。结果表明，该方法在保持图像边缘和结构清晰的同时，能够有效地去除X-ray透视图像中的噪声；与传统的CNN相比，该方法生成的图像包含更多的细节信息，图像质量更高。

保证DSA成像质量的前提是掩模像与造影像的精确配准。通常，影像配准不良主要由于被检者身体的移动、肠内气体的运动以及心脏的搏动^[1]。不精确的影像配准会导致造影前后两影像上骨骼和软组织等结构空间位置的不一致，以及减影图像的移动伪影，从而降低图像质量，因此避免上述移动伪影的产生是提高DSA成像质量的关键。

为此，Montoya等人基于AI提出了一种全新的图像后处理技术，即三维血管造影术(3D angiography, 3DA)^[12]。该技术是通过105例经过临床系统和标准注射方案得到的3D旋转血管造影检查图像，对卷积神经网络进行训练（35例）、验证（8例）和最终测试（62例），经过训练的卷积神经网络将输入的每个图像体素分为血管、骨

图1 临床数据集上各模型的去噪结果^[10]

此外，Gao等人为了避免成像过程中由于患者的运动而造成的图像伪影，基于深度学习的方法，提出了一种基于残差密集（residual dense network, RDBN）网络的DSA图像生成的方法^[14]。该方法不需要掩膜图像，采用残差密集块(residual density block, RDB) 通过密集相连的层提取高级特征，基于一张实时造影图像生成类似于3D DSA的造影图像。同时，为了获得更多的细节信息，在模型训练阶段采用了一个有监督的生成对抗网络。研究人员采用峰值信噪比（peak signal-to-noise ratio, PSNR）、结构相似性（structural similarity, SSIM）和特征相似度（feature similarity, FSIM）三种指标，在包含人体头部和腿部的临床DSA数据集上开展了评估实验。实验结果显示，头部数据可以达到23.731、0.877和0.8946，腿部数据可以达到26.555、0.870和0.9284^[14]。这说明，该方法能够有效地从单个实时造影图像中精确提取人体头部和腿部的血管，避免了成像过程中由于患者的运动而造成的实时造影图像和掩模图像相减后的图像伪影，更好地辅助医生临床诊断。

人工智能技术在X-ray透视成像引导介入放射学诊疗领域发展缓慢的一方面原因在于：大多数用于引导手术导航的透视图像没有存档，因此缺乏大规模、有效的透视图像用于深度学习模型的训练^[5]。解决该问题的一个思路是，通过人工智能技术将目前已经大规模存档的3D CT转化成类似的透视图像，用于训练、测试和验证深度学习模型，从而优化X-ray透视成像的工作流。

为此，Unberath等提出了一个基于Python、PyCUDA and PyTorch的深度学习框架DeepDRR^[5]。该框架能够从诊断3D CT扫描数据中快速、自动地重建仿真的X-ray透视图像，并与用于机器学习

骼和软组织三类组织成分，最终测试组的血管组织分类结果用于生成3D深度学习血管造影图像。为了量化训练模型的泛化误差，研究人员计算了相关解剖学中用于血管分类的准确性、灵敏度、精度和Dice相似系数，并对3D深度学习血管造影和临床3D旋转血管造影图像进行扫描间移动伪影的定性评估。评估结果表明，基于AI的3DA是一种可靠的成像方法，可以精确地重建小血管（如穿孔器）等结构，且3DA重建的3D血管结构图像和3D DSA图像之间有很好的一致性，如图2所示；相比于常规的经过2次旋转造影检查的血管造影系统，3DA无需掩膜图像，可以直接从一次对比增强检查中生成3D脑血管造影图像；同时，3DA在不丢失诊断信息的前提下，降低了检查过程一半的辐射剂量，而且避免了2次旋转造影检查期间患者移动导致的移动伪影；另外，3DA还能提高最终的图像质量，这是由于3DA中非血管结构的去除不需要配准掩膜图像和造影图像，因此配准误差和交叉扫描等均不会影响图像重建的结果，为临床诊疗工作流的改善提供了参考意义^[13]。

图2 使用体积渲染技术对右侧前循环血管成像可视化分析。（a）3D DSA成像；（b）3DA成像。

的软件环境无缝集成，以简化深度学习在透视图像引导介入放射手术中的应用。该框架利用机器学习实现2D/3D物质分解和散射估计，并结合前向投影和噪声注入模型达到预期性能。此外，骨盆创伤手术中X-ray透视透视图像解剖学标志检测的实验表明，在DeepDRRs上训练的机器学习模型不需要再训练和域适应，就可以推广到临床数据，而在常规DRRs上训练的相同模型无法推广应用。通过深度学习框架DeepDRRs从诊断3D CT扫描数据中快速重建X-ray透视图像，为成像工作流的优化提供新的参考思路^[5]。

在冠状动脉造影图像自动分析算法中的应用情况^[4]。该研究收集了大量冠脉造影图像数据，由专业的核心实验室中经验丰富的影像分析师进行图像标注，建立冠状动脉造影病变人工标注数据库，利用深度学习算法训练病变分型模型，该自动分割算法能结合病变的狭窄情况和病变性质进行定量或定性分析，开发了基于深度学习技术及AI的冠脉造影智能识别及辅助诊断系统即DNN。该系统首次将深度学习技术应用于冠脉血管分割、管腔直径计算和病变形态检测，并取得了一定成果，证明了深度学习在冠状动脉疾病诊断和治疗上的有效性和巨大应用潜力。该模型提出了全新的神经网络构架，对冠脉左右优势及均衡性的判别准确率高达95%，判断CTO断端是否有侧支的准确率高达82%，对狭窄、钙化、血栓、慢性完全闭塞、夹层的平均识别召回率达到80.6%，准确率超过70%，对分叉病变的分析准确率也达到了83%^[4]。此外，该系统在血管分割算法和病变识别模型的基础上，能进一步计算SYNTAX评分以及J-CTO评分等常用介入决策评分。这是冠状动脉血管造影自动分析模型开发进程中非常重要的进展。但是，目前这些研究还停留在图像识别算法的改进层面上，能识别的病变类型单一，尚未达到临床应用的要求。

在疾病诊疗过程中，精细化的X-ray透视图像处理工作费时费力，为人工智能提供了天然的应用场景。本节主要介绍了冠状动脉疾病、颅内动脉瘤等疾病诊疗过程中，人工智能在透视图像中感兴趣区域（region of interest, ROI）的自动分割、识别以及检测中的应用情况。

作为冠心病诊治的常规检查项目，冠状动脉造影图像包含不同投射角度的血管解剖形态、管腔狭窄情况、病变性质、血流速度和心肌灌注程度等丰富的医学信息。研究表明，冠状动脉造影自动分析的研究起步较早，但由于影像采集时放射线减少导致信噪比降低，且易受心肺运动、毗邻器官及人为位移的干扰，研究难度较大^[4]。传统的血管分割算法，可以实现血管树的识别和分割、管腔直径和狭窄程度的自动测量和计算。近年来，新出现的基于深度学习的算法模型，能够将造影图像准确区分为血管区域和背景区域。

在经导管心血管治疗会议上，阜外医院的徐波教授报告了人工智能

颅内动脉瘤造影图像对于动脉瘤破裂概率的评估、危险动脉瘤的鉴别至关重要。Kim等基于三维数字减影血管造影图像，开发一个计算机辅助检测系统，使用CNN预测小型动脉瘤是否破裂^[15]。研究人员基于包括368名患者的回顾性的、经过标准注射流程获取的3D DSA图像数据集，通过TensorFlow平台训练CNN。从每个患者身上获得六个方向（正、后、前、两侧、上、下）的动脉瘤造影图像，并有神经放射学家提取每张图像中的ROI。CNN基于Alexnet_v2架构，包含3个最大池化层、2个drop-out层、3个全连接层以及5个卷积层。研究人员在272名患者中进行了前瞻性测试，并将敏感性、特异性、总体准确性和

像^[16]。由于两种成像方式优势互补，同时显示支持导管、瓣膜、金属、钙化、起搏电极以及软组织等结构的可视化，一些厂商利用人工智能技术，实时融合TEE与实时X线透视图像，并将融合图像在一个视图中显示，极大地减轻了操作人员的工作压力^[17]。2018年，飞利浦公司推出了专为导管室设计的Epiq CVxi介入心血管超声系统与EchoNavigator导航系统，在复杂的介入手术过程中简化介入医生和超声医生之间的沟通^[18]。EchoNavigator导航系统将TEE和X-ray透视图像实时融合在同一视图中并显示，帮助介入医生观察手术过程中关键解剖结构的空间位置以及手术设备的路线规划和导航。该系统利用Epiq的人工智能技术自动识别和提取解剖结构，加速图像融合过程，在TEE或融合透视图上显示解剖轮廓^[18]。另外，西门子在2018年发布其TrueFusion TEE/血管造影融合系统。该系统能够融合TEE,、CTA和实时X-ray透视影像，从而辅助医生完成复杂介入手术的术中导航。

接受者操作特征(receiver operating characteristics, ROC)与医生的评估结果进行了比较。验证结果显示，结合了CNN的计算机辅助检测系统对动脉瘤破裂预测的敏感度为78.76%，特异性为72.15%，总体诊断准确率为76.84%，CNN的ROC下面积(AUROC)为0.755，显著优于医生的评估结果(AUROC: 0.537;p<0.001)^[15]。这说明，基于CNN的计算机辅助检测系统在评估小型动脉瘤破裂风险方面是可靠的，在临床中辅助医生诊疗，有助于提高诊断的准确性。

介入治疗学，是通过人体自然孔道或微小的创口将特定的手术器械导入人体病变部位进行微创指在C臂透视成像系统的引导下，利用穿刺针、导管及其他介入器材治疗的一系列技术的总称。作为比外科手术创伤更小费用低的治疗方法，介入治疗成为很多病人首选的治疗方式。随着介入手术的日益复杂以及手术时间的延长，X-ray透视成像和术中辐射剂量自然也随之增加。为了解决介入治疗中X-ray透视成像辐射剂量增加的问题，供应商纷纷引入人工智能技术开发新一代的C臂透视成像系统。这主要在集成新的X线球管、更灵敏的探测器、新的图像重建软件等基础上，结合基于人工智能技术的术中导航以及多模态影像融合技术等指导介入手术的开展^[1]。本节主要介绍近几年人工智能技术在介入手术的多模态影响融合、术中导航以及智能手术机器人中的应用情况。

多模态影像融合是人工智能在介入手术中重要的应用场景之一。介入手术，尤其涉及复杂的心脏结构时，需要充分可视化心脏及周围的软组织解剖结构，二维血管透视图像不能满足该要求。超声成像，特别是经食管超声心动图（Transesophageal echocardiography, TEE）能较清晰地显示体内软组织结构，通常用于介入手术中的辅助成

另外，高精度的术中导航为人工智能提供了广阔的舞台。在2018年北美放射学会(RSNA)会议上，GE医疗提出了其开发的一种新型肝脏辅助虚拟注射(VI)技术^[19]。该技术结合了应用智能增强软件，可以识别肝脏肿瘤的供血血管，并确定栓塞肿瘤的最佳位置；同时，该技术利用人工智能增强血液信号，使其看起来像一种造影剂，帮助绘制血管图谱，以便在病人上台前进行手术过程的预先规划；此外，该软件可以显示每个血管段的血流方向，并可以将血管分布图叠加到导管室创建的三维旋转血管造影图像上，为医生提供了人性化的术中导航服务^[19]。

此外，人工智能在医学三维图像建模技术的广泛应用，大大促进了手术机器人的智能化水平。目前智能手术机器人在介入手术中得到了广泛的应用，不仅能够降低术中医生和患者接受的X线的剂量，而且显著提升了介入手术的效率和准确率。智能手术机器人作为人工智能在介入手术领域重要的硬件载体，其目的是通过传感器获得患者病灶及

周围多维度的信息，高效地处理信息并最终通过机器人实体辅助医生更好的实施诊断和手术，以减少现有基于实时X-ray透视操作的心血管手术的辐射剂量^[20]。通过X-ray透视设备获得患者病灶点及周围组织2D透视图像后，主控计算机基于人工智能技术三维重建“虚拟病人”，并基于3D可视化模型进行关键结构的标定。基于3D可视化模型，医师在虚拟手术环境下讨论和完成手术规划，确定出最佳的手术方案和流程规划，并以指令的形式传给主控系统^[21]。主控系统和机器人通过映射测量和映射变换将医学影像空间的指令参数变换到机器人的指令和操作空间中，主控系统按手术方案和规划流程对机器人实施全过程的导航自动控制，实现按预先规划完成指定的手术操作过程。3D 可视化模型真实反映人体器官的解剖结构或畸变特征，帮助医生深入细致的定性、定位和定量分析病理解剖特征，完成手术模拟、术前规划，提高诊断和治疗质量^[21]。目前，科研人员已经尝试了增强学习、模仿学习、神经网络和动态高斯等多种方法，对人工智能在心血管机器人在手术的安全性、智能自主导航、学习专家技巧等多方面有了初步的探索^[20]。

视图像上均表现良好，说明该框架可以提供术中椎弓根螺钉植入评估的参考方案。

椎弓根螺钉固定是一项具有挑战性的手术，外科医生通常根据患者前、后、侧位的2D透视图像，从视觉上评估螺钉植入的准确性。考虑到现有验证技术的准确性有限，Esfandiari等提出了一种深度学习框架，用于透视图像中椎弓根螺钉的自动识别、分割和位置估计，从而精准验证螺钉的植入情况^[22]。研究人员基于全卷积神经网络，设计并训练了一个新的CNN，该网络共21层，主要包括3个卷积以及3个反褶积（卷积转置）块体；通过向上采样，可以实现端到端完全训练。该网络基于2D透视图像，自动识别并分割椎弓根螺钉的螺钉头、螺钉轴和背景；识别螺钉和透视图像之间的对应关系，并自动评估植入螺钉的姿势。研究人员在模拟的测试数据集和动物标本数据集（具有临床真实属性）测试和训练CNN，并通过一系列实验评估了该框架的性能^[22]。评估结果表明，经过训练的网络在模拟数据集上和动物标本透

实时X-ray透视图像中肿瘤轮廓的绘制中，一些高密度的结构（如骨）常导致肿瘤识别错误。肿瘤跟踪可以通过智能识别、自动划分不同结构特征的重要性，即软组织是重要的特征，但骨骼相对不重要。为此，Terunuma等人基于深度学习，研发了一种新的实时肿瘤轮廓绘制方法^[23]。该方法的新颖之处在于将随机叠加和监督学习相结合，采用深度学习的方法自动分割X射线透视图像，以识别肿瘤轮廓中重要的结构，以绘制肿瘤的轮廓。评估结果显示，该方法对低能见度肿瘤的精确跟踪误差约为1毫米；同时，自动分割的肿瘤区域和标准肿瘤区域Jaccard指数的相似度约为0.95，且分割时间仅为25 ms，该结果支持实时X-ray透视图像中肿瘤轮廓的精确绘制^[23]。

腰椎的自动准确检测是透视影像引导微创脊柱手术重要步骤之一。但是传统的方法由于不同患者的椎骨相似、病理异常、成像角度不确定等原因，仍然需要人工干预。为此，Li等人基于深度学习的方法，提出了一个新的卷积神经网络，支持自动检测、分割C臂X射线透视图像中的腰椎结构^[24]。针对C臂X线图像中存在的病理条件和噪声等问题，引入特征融合深度学习（Feature fusion deep learning, FFDL）模型；采用Sobel和Gabor两种滤波器作为FFDL的卷积核，得到腰椎的轮廓特征和纹理特征；融合腰椎X线图像的轮廓和纹理两种特征，自动检测和分割透视图像中的ROI。评估实验表明，该模型在畸形病例的病理和外科植入物的多角度检测方面表现良好。

本文主要从DSA成像阶段和辅助疾病诊疗两方面综述了当前AI在X-ray透视成像中典型的应用场景。通过了解这些应用场景可以发现，目前AI在透视成像阶段的应用集中于DSA图像去噪、降低辐射剂量以及优化X-ray透视成像工作流方面。

显然，人工智能的引入促进了新一代DSA血管机的发展。但是，相比于CT、MRI等其他影像，目前DSA成像阶段结合AI的应用场景比较单一，且在一些已经结合了AI的辅助疾病诊疗领域的应用尚处于初级阶段。未来几年，人工智能将越来越多地应用于医学影像的前端成像以及图像后端分析，从而加速临床疾病的自动化诊疗，为医生和患者创造更多价值。值得注意的是，DSA成像速度的提高、图像畸变的校正等方面的研究直接关系到成像质量的优劣，相关的研究成果却很少，是未来人工智能在DSA成像中应该努力的方向。另外，虽然基于深度学习的疾病诊疗模型具有显著提高诊断效率的能力，但是极大地依赖于模型训练的数据量。因此，未来有必要进一步创建大型的、精细标记DSA数据库，以训练更有效的辅助诊疗模型；努力提升血管三维重建的精度和速度，并真正应用于临床；在病灶区域分割、病变识别及病变形态检测基础上进一步开发更多AI辅助诊疗产品，覆盖更多的临床诊疗场景。此外，有必要进一步探究AI和医生在临床疾病诊疗流程中的优势和劣势，通过设置奖惩机制进行反馈控制和策略互调，实现系统强化学习的良性改善循环，达到人与系统的混合智能交互和优势互补，使AI成为辅助医生完成疾病诊断和治疗的可靠工具。

[5] Unberath Mathias, Zaech Jan-Nico, Lee Sing Chun, et al. DeepDRR – A Catalyst for Machine Learning in Fluoroscopy-Guided Procedures[M]. Medical Image Computing and Computer Assisted Intervention – MICCAI 2018. 2018: 98-106.

[6] 夏岭蜂.DSA影像质量与优缺点[EB/OL]. (2020-06-13). [2020-07-27]. https://wenku.baidu.com/view/3b8e4410e718964bcf84b9d528ea81c758f52e98.html.

[7] Kai Zhang, Wangmeng Zuo, Yunjin Chen, et al. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising. %J IEEE transactions on image processing : a publication of the IEEE Signal Processing Society. 2017,26(7).

[8] Wu Chengyang, Zhang Pu, Xu Yan, et al. Fluoroscopic Image Denoising with Feature Preserving Residual Noise Learning: proceedings of the Proceedings of the Third International Symposium on Image Computing and Digital Medicine - ISICDM 2019, [C]. 2019.

[9] Wu Chengyang, Zhang Pu, Xu Yan, et al. Combined spatial and temporal deep learning for image noise reduction of fluoroscopic x-ray sequences: proceedings of the Medical Imaging 2020: Physics of Medical Imaging, [C]. 2020.

[10] Luo Yimin. Ultra-DenseNet for Low-dose X-ray Image Denoising in cardiac catheter-based procedures. ResearchGate[J], 2019.

[11] Sun Y., Liu X., Cong P., et al. Digital radiography image denoising using a generative adversarial network. J Xray Sci Technol[J], 2018,26(4): 523-534.

[12] Montoya J. C., Li Y., Strother C., et al. 3D Deep Learning Angiography (3D-DLA) from C-arm Conebeam CT. AJNR Am J Neuroradiol[J], 2018,39(5): 916-922.

[13] Lang S., Hoelter P., Schmidt M., et al. Evaluation of an Artificial Intelligence-Based 3D-Angiography for Visualization of Cerebral Vasculature. Clin Neuroradiol[J], 2019.

[14] Gao Y., Song Y., Yin X., et al. Deep learning-based digital subtraction angiography image generation. Int J Comput Assist Radiol Surg[J], 2019,14(10): 1775-1784.

[15] Kim H. C., Rhim J. K., Ahn J. H., et al. Machine Learning Application for Rupture Risk Assessment in Small-Sized Intracranial Aneurysm. J Clin Med[J], 2019,8(5).

[16] 杨晓伟. 实时三维超声心动图在心脏手术的应用. 武警医学院学报[J], 2011,20(06): 509-512.

[17] Biaggi P., Fernandez-Golfin C., Hahn R., et al. Hybrid Imaging During Transcatheter Structural Heart Interventions. Curr Cardiovasc Imaging Rep[J], 2015,8(9): 33.

[18] Nelles D., Schrickel J. W., Nickenig G., et al. Percutaneous left atrial appendage closure using the TrueFusion fusion-imaging technology. Clin Res Cardiol[J], 2020,109(5): 646-648.

[19] 器械之家.介入室中血管造影系统未来发展的七大趋势[EB/OL]. (2019-02-25). [2020-07-27]. https://www.sohu.com/a/297457620_668211.

[20] 檀韬, 喻秉斌, 吴山东. 医学影像诊断及介入式手术的人工智能应用. 放射学实践[J], 2018,33(10): 1002-1005.

[21] 谢俊祥, 张琳. 智能手术机器人及其应用. 中国医疗器械信息[J], 2015,21(03): 11-17.

[22] Esfandiari H., Newell R., Anglin C., et al. A deep learning framework for segmentation and pose estimation of pedicle screw implants based on C-arm fluoroscopy. Int J Comput Assist Radiol Surg[J], 2018,13(8): 1269-1282.

[23] Terunuma T., Tokui A., Sakae T. Novel real-time tumor-contouring method using deep learning to prevent mistracking in X-ray fluoroscopy. Radiol Phys Technol[J], 2018,11(1): 43-53.

[24] Li Yang, Liang Wei, Zhang Yinlong, et al. Automatic lumbar vertebrae detection based on feature fusion deep learning for partial occluded C-arm X-ray images. %J Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference. 2016,2016.

[1] Okaimee.数字减影血管造影系统[EB/OL]. (2010-06-11). [2020-07-27]. https://blog.csdn.net/okaimee/article/details/5663436.

[2] Crummy A. B., Strother C. M., Mistretta C. A. The History of Digital Subtraction Angiography. J Vasc Interv Radiol[J], 2018,29(8): 1138-1141.

[3] 器械之家.了解什么是DSA[EB/OL]. (2018-06-27). [2020-07-27]. https://www.sohu.com/a/238008168_668211.

[4] 杨靖，张英梅，葛均波.人工智能在经皮冠状动脉介入治疗中的研究现状和展望[EB/OL]. (2020-05-12). [2020-07-27]. http://app.ccheart.com.cn/share/news/id/2267.

[15] Kim H. C., Rhim J. K., Ahn J. H., et al. Machine Learning Application for Rupture Risk Assessment in Small-Sized Intracranial Aneurysm. J Clin Med[J], 2019,8(5).

[16] 杨晓伟. 实时三维超声心动图在心脏手术的应用. 武警医学院学报[J], 2011,20(06): 509-512.

[17] Biaggi P., Fernandez-Golfin C., Hahn R., et al. Hybrid Imaging During Transcatheter Structural Heart Interventions. Curr Cardiovasc Imaging Rep[J], 2015,8(9): 33.

[18] Nelles D., Schrickel J. W., Nickenig G., et al. Percutaneous left atrial appendage closure using the TrueFusion fusion-imaging technology. Clin Res Cardiol[J], 2020,109(5): 646-648.

[19] 器械之家.介入室中血管造影系统未来发展的七大趋势[EB/OL]. (2019-02-25). [2020-07-27]. https://www.sohu.com/a/297457620_668211.

[20] 檀韬, 喻秉斌, 吴山东. 医学影像诊断及介入式手术的人工智能应用. 放射学实践[J], 2018,33(10): 1002-1005.

[21] 谢俊祥, 张琳. 智能手术机器人及其应用. 中国医疗器械信息[J], 2015,21(03): 11-17.

[22] Esfandiari H., Newell R., Anglin C., et al. A deep learning framework for segmentation and pose estimation of pedicle screw implants based on C-arm fluoroscopy. Int J Comput Assist Radiol Surg[J], 2018,13(8): 1269-1282.

[23] Terunuma T., Tokui A., Sakae T. Novel real-time tumor-contouring method using deep learning to prevent mistracking in X-ray fluoroscopy. Radiol Phys Technol[J], 2018,11(1): 43-53.

[24] Li Yang, Liang Wei, Zhang Yinlong, et al. Automatic lumbar vertebrae detection based on feature fusion deep learning for partial occluded C-arm X-ray images. %J Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference. 2016,2016.

基于MR影像的脑微出血检测及其临床价值

编者：董小楠

2019年毕业于北京理工大学生物医学工程专业。目前担任东软医疗人工智能与临床创新研究院临床合作科学家。研究方向包括神经影像分析、磁共振成像、肝影像相关研究。

董小楠

文章综述了磁共振成像脑微出血检测技术以及脑微出血放射学与病理学的相关性，并以微出血预测颅内出血和缺血性中风对抗血小板治疗的影响研究为例，阐述了脑微出血的临床价值和意义。主要参考文章为2018年4月发表在杂志Radiology上的《Cerebral Microbleeds: Imaging and Clinical Significance》和2018年6月发表在Stroke上的《Antiplatelet Treatment After Transient Ischemic Attack and Ischemic Stroke in Patients With Cerebral Microbleeds in 2 Large Cohorts and an Updated Systematic Review》。

研究概况

1

传统的T2*加权图像使用梯度回波（GRE）脉冲序列生成，其中回波时间决定了对比度大小。通常，适合T2*加权成像的回波时间在1.5T时为20-60毫秒，3.0T时是15-40毫秒。在传统的T2*加权脉冲序列中，CMBs在幅值图像上显示为一个小区域的低信号。低信号是由于主磁场的局部扰动引起体素内移相而引起的，而主磁场的局部扰动又是由高浓度的铁引起的。多个脉冲序列参数包括二维和三维采集，回波时间，体素大小，特别是场强都会影响图像对比度，从而影响T2*加权图像上CMBs的检测率。

磁敏感加权成像（SWI）是以增强磁化率对比为目的的图像获取和后处理组合。SWI通常采用三维高空间分辨率全流量补偿GRE成像，且回波时间较长。 SWI的后处理包括将幅值图像与高通滤波后的相位图像相乘，以增强对血红素沉积物的描绘。通常，相位信息有助于将CMBs与相似征像如钙化）区分开。与二维GRE序列相比，SWI可以更好地显示CMBs。例如，在轻度认知障碍中，3.0T场强下CMBs检出率从常规二维T2*加权GRE图像上的大约20％增加到SWI上的大约40％。

研究背景和目的

2

脑微出血（Cerebral microbleeds，CMBs）是用磁共振磁敏感加权成像（susceptibility-weighted imaging,SWI）检测到的小低信号病灶，其最大尺寸达5mm甚至10mm。从组织学上，CMBs代表具有顺磁性质的含血红素的巨噬细胞的局灶性聚集，由于易感性影响导致信号降低。因为越来越多地使用高场强磁共振成像系统和专用成像序列，尤其是三维T2加权成像、SWI和相关技术，脑微出血越来越多地出现在脑MR成像中。CMBs可能是偶然发现的，也可能是在特定的病理背景下发现的，如脑淀粉样血管病(cerebral amyloid angiopathy，CAA)。尽管提高了检出率，但目前仍缺乏放射科医生对CMBs解释的明确指导，CMBs的临床意义仍存在争议。

磁共振成像检出微出血的灵敏度取决于成像技术，例如，场强和脉冲序列参数。为了正确描述CMBs，文章首先讨论最佳的磁共振成像技术。一旦观察到潜在的CMBs，正确的分类需要了解病理相关性和潜在的CMBs相似征像。之后，文章回顾了CMBs在各种临床情况和疾病中的解释，如衰老、痴呆、放射治疗和创伤性脑损伤。最后，文章讨论了CMBs在脑卒中中的临床意义以及CMBs的临床管理，并以2018年的临床研究作为实际案例讨论CMBs在临床的研究价值。

磁化率随场强线性变化，因此在1.5T到3.0T设备上随着场强增加，磁共振成像脑微出血的检出率也显著提高。在超高场强下(7.0T和以上)，灵敏度进一步增加。一项研究报道在7.0T的成像条件下，高达44%的健康对照参与者和78%的阿尔茨海默氏症患者被检出脑微出血。这一发现表明在临床场强(1.5 T和3.0 T)检出的CMBs只是“冰山一角”。

脑微出血的MR成像：技术考量

3

1.磁场强度的影响

2.梯度回波T2*加权、SWI和相关技术

与传统的二维GRE成像相比，SW成像的检出率提高（图1），其代价是由于高空间分辨率的3D成像导致的更长的扫描时间。 快速成像技术（例如并行成像）以及压缩感知技术，可以将扫描时间保持在5分钟以下。一种有趣的折衷的方法是对二维GRE T2*加权数据执行SWI后处理，以在不增加扫描时间的情况下改善磁化率对比。

并不是SWI上的每一个黑点都代表CMB，钙化的小点可能与SWI序列中的微出血混淆（图2）。判断出血和钙化在计算断层扫描 （CT）中通常很简单，因为钙化是高密度点，但有时候可能无法进行CT扫描，而且在CT上可能无法观察到小的钙化点。因为钙是反磁性，而铁是顺磁性，相位转移相反，因此 MR 成像的相位图像也可以区分微出血和钙化。CMBs可能在不同MR系统的相位图上表现为高或低，取决于成像系统是使用右手坐标系还是左手坐标系。相位图像是所有 MR 序列的固

3.脑微出血与钙化：幅度图与相位图

图1 图示一名53岁女性，患家族性海绵体病，有多个大小不一的海绵体。A：二维T2*加权图像，B：三维多回声T2*加权图像。大的海绵体在A和B上都能很好地显示。越小的病灶在B上的显示效果越好，或者仅在T2*加权三维多回声图像上可见(箭头所示)。

图2 49岁男性评估头痛的3.0T影像检查图像的图像。 AD三维多回波T2*加权成像图显示了符合脑微出血（CMBs）判断的两个点状病变（箭头）。 BE，相图显示右额叶白质中的病变低信号，判断病变可能为微出血点。 右外囊和壳核的第二个病变主要是高强度的。 CF，相应的CT图像分别显示无钙化和微钙化的存在。

通常认为脑微出血会在大脑中持续很多年（几乎就像纹身中的铁粒子）。一项基于800多人的大规模流行病学研究结果显示，200多名参

4.稳定性

有部分，无需额外的成像时间，但默认情况下通常不会保存相位图像。保存相位图像无需额外时间或成本提供额外的信息。作为一个额外的好处，相位图像可能有助于量化铁沉积。

与者被发现微出血，仅6人微出血在3~4年的随访过程后消失；而在85名其他参与者中发现新的CMBs出现。但是，最近的一项调查对这一观点提出了质疑，研究结果表明在随访过程中微出血数量和微出血点的磁化率量化值都降了。这一观察是否只对患有慢性创伤性脑损伤的被调查的军人成立，或者这些发现是否也适用于其他微出血（例如神经退行性疾病），仍有待确定。

视觉评定量表已被证明可以提高评估者之间检测CMBs和判断CMBs解剖定位的可靠性。最常见的经过验证的量表分别是微出血解剖评定量表(Microbleed Anatomic Rating Scale, MARS)和脑观察者微出血量表（Brain Observer MicroBleed Scale，BOMBS），二者都能区分大叶、深部和下腹(包括脑干)等解剖位置。

除了目视检查，许多自动化工具已被提议用于检测包括创伤、放射性脑病和多发性硬化等患者的CMBs。特别是在高场强下使用时，尽管会出现许多假阳性分段，但这些方法可能促进或提高视觉评分。目前，这些自动化工具正处于研究阶段，等待临床验证。

5.目视分级和自动检测微出血

只有少数已发表的针对CMBs的放射学-组织病理学相关研究。最早的一项研究评估了11个大脑中死于颅内出血的患者GRE T2*加权成像，发现由于磁化敏感性导致的34个区域的低信号。组织病理学检查显示，在34个MR低信号区域中，有 21个区出现局部血红素沉积，真阳性率为62%。然而，在11个大脑中，有2个区域病理学显示有血红素沉积，但MR成像没有相应变化，假阴性率为18%。另一项研究评估了一名患有高血压的妇女的大脑，其死前成像中描绘的有9个CMBs样病变。病理研究确认8个病变（真阳性率89%），1个CMB观察为假阳性（假阳性率，11%）。一项最新研究评估了10名CAA患者的SWI，在38个疑似CMBs中，组织病理学分析的真阳性率为48%（38例中的16例），假阳性率为24%。在18例患者中对85个CMBs的荟萃分析中，13例疑似CMBs与病理学没有关联，总体假阳性率为19%。最近的一项调查发现，在1.5 T和3.0 T使用预检T2*加权成像技术对25名具有31个潜在CMBs的患者进行了评估，结果发现真阳性率为52%，假阳性率为13%。额外进行的尸检MR成像仅在少数患者中发现了其他CMB，因此可以排除在死亡与尸检MR成像之间的间隔内新增许多CMBs的可能性。此外，与死前临床MR成像相比（3.0 T下0.7×0.7×0.7 mm3体素），几乎每二例患者在组织病理学分析中就有额外的CMBs，导致死前MR成像假阴性率为48％。 这仍然可能是对CMB实际数量的低估，因为组织病理学分析只能检查选定数量的切片，而不能检查整个大脑。

定量磁化率成像（QSM）是一种旨在量化相对组织磁化率的MR成像技术，例如，可以测量神经退行性疾病中的非局部性铁沉积。QSM 技术的一个特点是，CMBs的磁化率定量值检测的QSM属性与扫描回波时间无关。因此，QSM可能会减少CMBs检测的序列依赖性，从而促进跨研究和多中心的标准化。此外，QSM尝试重建局部磁化率扰动源，

6. 定量磁化率成像（Quantitative Susceptibility Mapping，QSM）

而 SWI实际上描绘了由此产生的扰动场（偶极子场）。此偶极子场对SWI产生"晕开"效应，高估了CMBs体积。因此，QSM或许可以更准确地量化CMBs体积或负荷。然而，CMBs的准确定量在技术上具有挑战性，QSM在CMBs检测中的临床相关性仍有待研究。

脑微出血的放射学与病理相关性

4

脑微出血的所处的位置对于CMBs的解释以及临床影响都很重要。高血压小血管疾病和CAA均会导致大叶微出血形成，而位于基底神经节或下部脑区域的CMBs主要与高血压血管病有关。

总之，对于目前使用的临床成像方案，磁场强度无论是1.5T或者3.0T，扫描序列包括二维GRE T2*加权以及SWI，对比广泛的基础病理，成像时检出CMBs的真阳性率为48%~89%，假阳性率为11%~24%，假阳性率为18%~48%。假阳性CMBs发现包括微动脉瘤，微钙化点和动脉伪钙化等干扰。各种疾病在7.0 T时，CMBs的MR成像与组织病理学分析之间的对应关系要好得多，这可能是由于7.0 T对小含血红素沉积物的敏感性更高。 尽管7.0 T无法用于常规临床应用，但确实表明，使用适当的仪器，MR成像对CMBs检测具有非常好的敏感性。

脑微出血在认知、老化及各类疾病中表现

5

脑微出血在卒中诊疗中的临床价值——以两大队列研究中

脑微出血患者短暂性脑缺血发作及缺血性卒中后抗血小板

治疗研究为例

6

1. 背景和目的

在短暂性脑缺血发作/缺血性中风患者中，微出血负荷可预测脑出血（intracerebral hemorrhage，ICH）和缺血性中风，但抗血小板治疗的意义尚不确定。先前的队列研究随访不足，无法评估风险的时程，未通过抗血栓形成对风险进行分层，也未报告ICH与缺血性卒中的颅外出血或功能结局。

2. 研究方法及结果

在有短暂性脑缺血发作/缺血性卒中的两个独立的前瞻性队列中（Oxford Vascular Study主要针对白人，及主要针对中国人的香港大学研究），无论微出血负荷如何，均常规开始抗血小板治疗。通过调整年龄、性别和血管危险因素，确定ICH、颅外出血和再发缺血性事件的风险、时间进程和结果，并按微出血负荷分层(0，1，2 - 4和≥5)。

微出血在中国队列中的发生率更高（450/1003 Vs 165/1080; P <0.0001），但在7433个患者的随访期间，风险关联相似。在1811例接受抗血小板药物治疗的患者中，颅外大量出血的风险与微出血负荷无关（Ptrend = 0.87），但ICH的5年风险与微出血负荷密切相关（Ptrend <0.0001），1811名患者中有140名（7.7%）微出血点≥5，其中发生ICH的15例中有11例（73%）微出血点≥5。缺血性卒中的风险也随着微出血负荷的增加而增加（Ptrend = 0.013），以至于在第一年中，即使在微出血点≥5的患者中，缺血性卒中和冠状动脉事件

3.结论

在白人和中国队列研究中，微出血点≥5个的患者，短暂性脑缺血发作/缺血性中风后的第一年内不使用抗血小板药物可能是不合适的。但是，ICH的风险可能会超过其后的收益。

的风险也超过了ICH和颅外大量出血（11.6% vs 3.9%）。然而，该比率随时间变化，出血风险（11.2%）与缺血事件（12.0%）相匹配。此外，尽管微出血负荷与缺血性中风风险之间的关联主要是由于非致残事件引起的（Ptrend = 0.007），但微出血负荷与ICH的关联是由致残/致死事件引起（≥5个微出血点患者中，82%发生致残/致死ICH，40%发生致残/致死缺血性卒中;P = 0.035）。

图4 抗血小板治疗中短暂性脑缺血发作/缺血性脑卒中患者复发风险。复发脑卒中(A)、复发性缺血性脑卒中(B)、脑出血(C)、脑出血和颅内大出血(D)。

图5 短暂性缺血发作/缺血性卒中微出血点<5和≥5的两组患者抗血小板治疗缺血和出血性事件的风险，在TIA或缺血性中风1年内和1 - 5年的情况对比。ICH提示脑出血。

总结

7

近年来，由于高场强度MR系统的普及性和可及性增加，以及专用成像序列的发展，提高了在各种疾病以及无症状患者中CMBs的检出

率，CMBs引起了越来越多的关注。目前使用的成像技术（1.5T和3.0 T、二维GRE T2*加权成像和SWI）大大低估了 CMBs的真实数量，与组织病理学分析相比，估计的假阴性发现数量在50%左右。真阳性率在48%~89%之间，CMBs的假阳性包括显微解剖、微动脉瘤和微钙化。相位图像有助于区分微出血和钙化。事实上，目前的临床 MR 技术只有助于检测 CMBs真实数量的一部分，这一事实可能解释了有关CMBs的临床影响的不同和部分冲突的结果，并意味着需要进一步的技术发展。

尽管目前CMBs的成像不精确，但这些病变在诊断特定疾病（如CAA和海绵体病）方面起着越来越重要的作用。此外，它们作为认知衰退风险因素的贡献也日益得到人们的认可。尽管CMB的经典分布在AD、血管危险因素和CAA等条件下各不相同，但多条件的重叠或许可以解释CMBs在这些条件下的患病率增加，并解释在一些患者中难以分离CMBs的确切病因。在轻度创伤性脑损伤中，出血性漫反射性轴索损伤是最敏感和持久的成像标记之一。与前面讨论的典型CMB相比，这些出血性漫反射性轴索损伤的构型通常更线性且呈径向分布。最后，存在多个CMBs可能会增加抗凝治疗或抗凝溶栓过程中出血的风险，目前大规模临床研究已经开展，后续指南的修订也在发展中，脑微出血在卒中治疗方面具有研究价值和临床意义。

参考文献

8

1.S. Haller, M. W. Vernooij, J. P. A. Kuijer, E. M. Larsson, and F. J. R. Barkhof, "Cerebral Microbleeds: Imaging and Clinical Significance," vol. 287, no. 1, pp. 11-28, 2018.

2.K. K. Lau et al., "Antiplatelet Treatment After Transient Ischemic Attack and Ischemic Stroke in Patients With Cerebral Microbleeds in 2 Large Cohorts and an Updated Systematic Review," (in eng), Stroke, vol. 49, no. 6, pp. 1434-1442, Jun 2018.

乳腺癌的影像学研究进展

转自：邵医影像 任宏

近年来，我国乳腺癌发病率仍呈逐年上升趋势，已成为女性恶性肿瘤之首，发病年龄也日趋年轻化。其乳腺癌治疗效果主要取决于早发现、早诊断和早治疗。目前，乳腺影像检查技术繁多，如数字乳腺X-RAY检查、乳腺超声、乳腺MRI检查，数字乳腺三维断层摄影（digital breast tomosynthesis，DBT）等检查。如何选取最佳影像学检查尤为重要。本文就乳腺癌临床常用的主要影像学检查方法作一综述。

1.数字乳腺X线摄影

1.1 传统数字乳腺X线成像

1.2 数字乳腺三维断层摄影

上世纪70年代法国人Charles Gros设计了第一台专用乳腺X线钼靶机，X线球管的阳极由钼取代了钨，主要利用钼大约28kV低能量照射的特征，增加了乳腺腺体、脂肪与钙化肿瘤间的对比，改善了对细节的观察能力，得到广泛应用。2000年全数字化乳腺摄影（full field digital mammography，FFDM）技术的出现，图像更为清晰，灵敏度提高，减少因技术问题导致的重复照射。

传统数字乳腺X线摄影，由于腺体的重叠会造成很多情况下感兴趣区域的病变很难显示，因为探测器相应位置接收信号是由X线束和探测器之间所有组织共同产生，因此在感兴趣内重叠的组织产生了许多其他信号。由于乳腺组织的重叠，传统的乳腺X线摄影可能会掩盖真正的病变，导致假阴性；同时正常组织的重叠也会导致不必要的重复拍摄。

FFDM可对传统数字X线摄影的图像进行后处理，提高了影像对比度，突出组织边缘的轮廓，有利于钙化的检出。但有相关报道指出高达17%的乳腺癌仍不能被FFDM检出，由FFDM查出的疑似乳腺癌的患者中有近70%～90%的病灶最终被确诊为“假阳性”。数字乳腺X线摄影现在虽然被广泛应用于乳腺癌的检查，但由于乳腺组织的重叠使某些病变或肿物边界等显示不够清晰，导致其检出率和确诊率并不令人满意。

DBT是一种成像技术，可以在短暂的扫描过程中，在不同角度压迫后获得静止乳腺影像，然后将这些影像重建成一系列高分辨率的断层影像，并以电影的方式显示或单独某一层的显示。乳腺按标准方法进行压迫，当乳腺保持静止不动时，X线球管在有限的角度范围内进行旋转，通常球管在10°～20°旋转，大约进行10～20次曝光，整个过程在5s或更短时间内完成。

Rafferty在北美放射年会（radiological society of north America，RSNA）上发表研究结果，证明2D+3D的诊断敏感性明显优于2D，其ROC曲线也较高。该研究发现2D+3D的诊断下的曲线面积较单独2D诊断增加7%。Gur等人的研究结果表明在乳腺癌筛查中使用断层摄影技术可降低28%的召回率。

2011年美国FDA正式批准乳腺断层成像与标准的数字乳腺X线摄影结合用于乳腺癌的筛查。无论乳腺癌的诊断还是筛查，DBT都是适用的，都能够提高诊断的敏感性及降低召回率。在DBT中，可以清楚的显示肿块的边界和形态，测得肿块的大小更为可信。多数研究都表明在评估肿瘤体积、病灶边缘、范围及分期方面，3D成像均优于2D。Fornvik发现在评估乳腺肿瘤体积和分期方面，乳腺断层成像优于FFDM。

在Poplack等人研究中，选取98例妇女的DBT结果显示，其复检率相对于FFDM降低了40%。在Gong等人的研究发现，多数FFDM图像仍需要重复复查，对于肿物的检出率才能达到或超过DBT一次对肿物的检出。Michishita指出3D图像更清楚地显示病灶边缘和范围，对肿瘤体积的评价优于传统的2D图像。

有文献报道，在相同条件下对一个直径约为5mm的致密性乳腺组织的病变进行FFDM和DBT相比较，FFDM图像病变显示模糊不清，但DBT图像显示肿物较为明显。有报道指出，肿瘤边缘表现为清晰、锐利、光滑者恶性可能性＜2%；表现为小分叶恶性可能性为17%～50%；表现为边缘不清晰、不光滑者恶性可能性为44%～60%；表现为毛刺者恶性可能性高达81%～97%。DBT对于恶性毛刺征的显示明显优于FFDM。

DBT的断层图像可以有效地降低正常腺体组织的重叠，利于病变边缘形态的显示，边缘是否浸润、周围腺体组织有无结构扭曲等重要征象的观察，对良恶性的鉴别提供有利依据。对于肿块的显示，DBT能清晰

扫描完成后，一系列2D图像被重建为平行于探测器厚度为1mm的影像，重建层数是由乳腺厚度决定。2008年Hologic的Selenia Dimensions DBT系统获得欧共体（conformite europeenne，CE）认证。同压迫下获得2D+3D图像（COMBO模式）的采集要求一种体位全部摄影10s完成，4s内15次低剂量动态点照射（15°内），在球管旋转至中央，在同一压迫下再次照射并获取2D图像，采集工作站存储并显示2D图像和超过压迫厚度的计算断层图像。

相对于传统的数字乳腺X线数字摄影技术，DBT的优势是通过一系列不同角度的快速对乳腺投照，获取不同投影角度下的低剂量投影数据，可回顾性重建出与探测器平面平行的乳腺任意深度层面X线密度影像，可进一步处理显示三维图像的信息。DBT作为一种新技术，解决了传统2D数字乳腺X线摄影存在的问题，如过分挤压造成患者的不适，以及乳腺组织重叠导致病变的隐藏。

Rafferty研究发现12%的病灶在MLO位上显示的更好，15%的病灶3D图像在CC位上显示较好，9%的病灶仅在CC位上可以看到。Gilbert同样报导了相似结果，8%的病灶仅在断层摄影的CC位显示，1.4%的病灶在MLO位可以看见。CC位和MLO位的结合能够更好的显示乳腺组织，同时提高病灶的检出率并降低召回率。

DBT的成像过程包括一系列低剂量曝光，每次曝光的剂量为常规乳腺摄影的5%～10%。其Combo模式（在同一乳腺压迫下完成3D结合2D）总剂量大于2mGY，其中的2D摄影小于2mGy。2D+3D的总辐射剂量也仍然符合《乳腺X线摄影质量标准法规》（mammography quality standards act，MQSA）对于2D乳腺摄影辐射剂量的标准（＜3.0mGy）。2D、3D或者2D+3D联合成像的有效剂量低于人群每年接收的自然本底辐射。基于风险收益比的考虑，FDA认证相对DBT的辐射剂量带来的风险，其DBT对乳腺癌筛查的敏感性和准确度的提高会带来更大的收益。

在临床工作中发挥更大的价值。DBT是否能代替FFDM应用于临床实践中，仍需要更多的临床工作加以验证。

的显示边缘。针对于致密性腺体患者的乳腺癌漏诊率更高，密度不均匀的乳腺发现乳腺癌的难度更大，三维断层技术可以更好的显示这类乳腺肿块的轮廓和边界及边缘的毛刺。

在Tagliafico等对于DBT与FFDM的图像质量研究显示，在肿块显示方面，DBT对于病变的检出率超过或持平FFDM。对于临床可触及的肿物，在FFDM图像中由于周围致密的腺体组织重叠的影响，很难辨别肿物的边界和形态；而在DBT图像中，可以清晰地显示肿块的位置形态，测得肿块大小更为可信，这样不仅提高了乳腺癌的检出率，也提高了良恶性的鉴别和降低漏诊率。

DBT较二维数字成像或模拟成像技术，在减少或消除组织重叠可能隐藏病变的效果方面有明显优势，目前三维成像技术，在微小钙化显示方面尚有提升空间，两种体位结合相对于一个体位可以增加诊断的敏感性，对于正常腺体组织与肿物的鉴别更优于传统的二维图像。三维断层技术可以更好显示乳腺病变的轮廓和边缘及毛刺，提示恶性可能。3D+2D的诊断明显优于单独2D，可提高诊断敏感性。断层摄影对于非钙化诊断效能的提高明显高于钙化病变，对于浸润性病变的检出率也会得到大大的提高。

目前3D微小钙化显示较2D略差。3D模式观察腺体组织优于2D图像，微小钙化仍需要结合2D同时观察。DBT较FFDM在提高乳腺癌的检出率，降低误诊率方面有很大的应用价值。部分临床实践证明，DBT可以提供更佳的组织可视性，提高了检出病变的准确性，具有更高的敏感性和特异性。作为一项新技术，目前关于DBT与FFDM应用于乳腺筛查的选择，以及选择体位是否需要两个体位，尚有一定的争议。此外有关DBT的参数，如每次投照剂量，投照所获得的图像数量，重建算法等目前并没有统一标准。

作为一项新技术，DBT尚存在一些争议，某些方面存在一定局限性，因此需要更多的临床实践研究和经验累积，使DBT技术更为成熟，

2.磁共振动态增强

乳腺MRI对乳腺癌诊断的敏感性为94%～100%，特异性为37%～97%，乳腺MRI鉴别良恶性肿瘤主要从病灶的形态学特征和病灶增强的血流动力学特征两方面。病灶若为圆形或分叶状、边缘光滑，斑片状强化或不强化以及病灶早期强化率较低，表现为持续性强化的时间-信号强度曲线模式，非肿块样强化乳腺癌倾向于增强后缓慢强化，呈现流入型时间信号强度曲线。病灶若为不规则形状，边缘强化或线状强化，病灶早期强化速率快而明显，中晚期强化率降低呈现流出型时间信号强度曲线，一般考虑为恶性肿瘤。但良恶性的影像学特征存在重叠。

乳腺MRI检查适应症包括:已确诊乳腺癌病变范围的判断，除外多灶、多中心乳腺癌及对侧乳腺癌，新辅助治疗的疗效评估及残余病变的评估；发现腋下淋巴结转移癌为首发表现、其他检查阴性的原发性乳腺

癌；鉴别保乳术后瘢痕与肿瘤复发；乳房成型术后的乳腺检查，乳腺癌高危人群的筛查。虽然MRI有对钙化显示不敏感、假阳性率高并且价格较贵、检查时间长等缺点，但MRI具有极好的软组织分辨率，无辐射，可多方位多序列成像，对乳腺癌诊断的敏感性高，所以MRI检查是乳腺X线检查、超声检查的重要补充。

由于增强CT检查增加了患者过敏的风险，检查费用相对较贵等缺点，因此未将其推荐用于可手术治疗的乳腺癌患者或者乳腺CT筛查，主要还是广泛用于乳腺癌引起的肺及肝等位置转移情况的筛查。

由于锥形束乳腺CT使用的射线与传统乳腺X光机使用的射线能量一样，且使用了FPD探测器，从而获取乳腺的数字三维图像，解决了不同组织的叠加等问题，目前乳腺锥光束CT（cone beam breast cumputed tomography，CBBCT）可应用于乳腺癌的检查，其锥形束CT的临床应用可大大减少靶区摆位等造成的误差，减少并发症的发生，在诊断乳腺疾病方面与FFDM对比研究中显示，两者诊断率高达90%，CBBCT对乳腺足侧、内侧、外侧、腋窝的覆盖面积要优于FFDM，同时消除了组织重叠造成的影响，提高了乳腺癌诊断的敏感性与特异性。已成为乳腺癌保乳术后放疗摆位误差测量在线校正的主要途径。

3.乳腺超声检查

乳腺超声检查首次出现于20世纪50年代。随着医学影像技术的不断改善，现代影像设备改善了乳腺内在不同组织的对比情况，使乳腺内数毫米的肿块得以显示，其位置、大小、形态、边界、内部及后方衰减回声、血流信号等特征是超声检查对乳腺肿块进行定性诊断的基础。

由于超声检查具有安全无创、无辐射，适合任何年龄、且不受乳腺腺体类型的影响，可以多角度、实时动态的观察病灶等优点，所以乳腺超声检查是诊断乳腺病变最为基本方法之一，并得到了广泛的应用。但其超声检查过程的实时动态显像并不利于远程会诊，对乳腺内微小钙化或较大乳腺内的小病灶检出率较低，乳腺超声的整体准确度完全依赖于操作者的个人水平，不可凭其进行定性诊断。必须结合其他影像检查技术进行综合判断肿块的良恶性，以便增加乳腺癌的检出率从而降低其漏诊和误诊的概率。

4.乳腺锥光束CT检查

CT具有较高的时间和空间分辨率，对病灶的形态学、强化模式以及血流动力学都能做出较准确的评估，对肿块的囊实性有较好的鉴别能力，且可消除组织的重叠造成的大部分干扰，能够清晰、多角度多层面等方面进行分析，并能够提供更高分辨率的三维图像，实现多方位多层面进行鉴别病灶与周围组织的不同特征，针对乳腺癌患者，CT检查主要进行原发乳腺癌的转移情况，但其辐射剂量相对较高，重复长时间高剂量的CT检查会增加乳腺癌或者复发的风险可能。

5.影像引导下乳腺穿刺活检术

影像引导下乳腺穿刺活检术是在数字乳腺X线设备或者磁共振设备及相应立体定位仪的引导下，对乳腺可疑恶性病变进行穿刺活检或钼靶下金属丝定位，目前在国内较为广泛应用的是用数字乳腺X线进行穿刺活检、术前金属丝定位，以及超声引导下穿刺活检，随着MRI及配套设备的改善，MRI下进行引导穿刺，对数字乳腺X线图像难以鉴别的隐性或小病灶的病变有较高的敏感性和特异性。但由于易受设备及外界因素的影响，MRI下引导穿刺目前在国内应用相对较少，并未得到广泛应用。

综上所述，乳腺病变的影像学检查方法繁多，其检查都有各自优缺点，具体选用临床检查方法需应根据临床需求、患者个人实际情况及其疾病特点进行综合分析，从而选择更加合适有效的医学影像检查方法，以获得准确有效的影像诊断。随着影像学检查设备及技术的不断发展，影像检查方法进行优势组合，可以及时发现临床触诊阴性的无明显临床体征的早期乳腺癌，提高了乳腺癌患者的生存率，极大地改善预后情况，使更多的乳腺癌患者受益。

来源：范文文,吴培华,周纯武,欧阳汉.乳腺癌的影像学研究进展[J].医学影像学杂志,2020,30(02):323-326.

人工智能与临床创新研究院

主编：

编辑：

杨明雷

鞠光亮    苗桢壮    孙爱琦  钱山    董小楠     刘雨轩

NMS-AICIR@neusoftmedical.com

投稿方式