血管內(nèi)光學(xué)相干層析成像技術(shù)在冠狀動(dòng)脈粥樣硬化斑塊檢測(cè)方面的應(yīng)用

裘耀揚(yáng)，桂家輝，黃 林，虎學(xué)強(qiáng)，李 勤

(北京理工大學(xué) 生命學(xué)院，北京 100081)

1 引言

動(dòng)脈粥樣硬化(atherosclerosis)是冠心病、腦梗死、外周血管病的主要原因[1]。它是一種進(jìn)行性疾病，其特征是動(dòng)脈壁中脂質(zhì)、膽固醇、纖維成分、單核細(xì)胞和各種其他炎性反應(yīng)細(xì)胞的積聚并沉積。這些沉積物形成粥樣斑塊的血管病變，粥樣斑塊含有壞死的核心，并通過由膠原和平滑肌細(xì)胞組成的纖維帽與動(dòng)脈內(nèi)膜分離。斑塊成熟后，纖維帽變薄，越來越容易撕裂，這增加了斑塊破裂的可能性。這些易損斑塊的破裂進(jìn)入動(dòng)脈，導(dǎo)致血栓形成，易引起冠狀動(dòng)脈粥樣硬化性心臟病、腦卒中、腹主動(dòng)脈瘤和外周血管疾病等，是心腦血管疾病致殘致死的主要原因。不幸的是，隨著我國(guó)人口老齡化進(jìn)程的加快，此類疾病的發(fā)病率和死亡率不斷攀升。

早期發(fā)現(xiàn)斑塊病變是預(yù)防動(dòng)脈粥樣硬化致命后果的第一步，也是最必要的一步。血管內(nèi)光學(xué)相干層析成像(intravascular optical coherence tomography, IVOCT)技術(shù)是近年來發(fā)展非常迅速的一種光學(xué)成像技術(shù)，因其能夠?qū)ι锝M織進(jìn)行高分辨率、無輻射、實(shí)時(shí)在體成像，在臨床診斷方面發(fā)揮了重要的作用，并越來越廣泛地被應(yīng)用于冠脈動(dòng)脈粥樣硬化斑塊的檢測(cè)。

2 IVOCT的基本原理及其應(yīng)用

光學(xué)相干層析成像(optical coherence tomogra-phy, OCT)最早由David Huang等[2]搭建并應(yīng)用于離體人眼視網(wǎng)膜成像。Brezinsky等[3]最先建議將基于導(dǎo)管的OCT系統(tǒng)應(yīng)用于血管內(nèi)成像。基于這種理念，IVOCT系統(tǒng)將OCT技術(shù)同光纖探頭相結(jié)合，實(shí)現(xiàn)了血管內(nèi)成像。

IVOCT系統(tǒng)的基本構(gòu)造如圖1所示，主要包括光源、參考臂、樣品臂、光纖耦合器件、探測(cè)器以及計(jì)算機(jī)系統(tǒng)。光源發(fā)出的光經(jīng)分束器后分別進(jìn)入樣品臂和參考臂，從樣品臂返回的生物組織背向散射光和參考臂反射回的光在光纖耦合器中發(fā)生干涉，干涉信號(hào)經(jīng)探測(cè)器轉(zhuǎn)換為電信號(hào)，再經(jīng)過計(jì)算機(jī)系統(tǒng)采集、處理，最終成像。

圖1 IVOCT結(jié)構(gòu)示意圖[4]

相較于目前已有的其他醫(yī)學(xué)影像技術(shù)，IVOCT不僅能夠?qū)ρ芮忻鎸?shí)時(shí)在體成像，而且具有無輻射、高分辨率等優(yōu)點(diǎn)，分辨率可達(dá)10 μm，能夠分辨出許多細(xì)微結(jié)構(gòu)。這些結(jié)構(gòu)與病理切片具有高度一致性，為準(zhǔn)確判斷動(dòng)脈粥樣硬化斑塊的特征以及評(píng)估易損斑塊的風(fēng)險(xiǎn)提供了可能。IVOCT在冠狀動(dòng)脈病變方面可以進(jìn)行斑塊分類，判斷夾層、內(nèi)膜撕裂狀態(tài)，評(píng)估支架貼壁效果，測(cè)量支架內(nèi)新生內(nèi)膜厚度，識(shí)別新生內(nèi)膜組織特性和內(nèi)膜異質(zhì)性等。薄纖維帽是最重要的易損斑塊特征，當(dāng)厚度小于65 μm時(shí)具有高度風(fēng)險(xiǎn)，而IVOCT被認(rèn)為是可以直接測(cè)量纖維帽厚度的唯一方法。

血管內(nèi)3種主要類型斑塊的IVOCT圖像如圖2所示，分別是鈣化斑塊、脂質(zhì)斑塊和纖維斑塊[5]。其中鈣化斑塊的特點(diǎn)為低反向散射，衰減弱，邊界清晰；脂質(zhì)斑塊的特點(diǎn)為低反向散射，高衰減，邊界模糊；纖維斑塊的特點(diǎn)為高背向散射(明亮)，質(zhì)地細(xì)膩，均勻的高信號(hào)區(qū)域。

圖2 三種主要?jiǎng)用}粥樣斑塊類型的IVOCT圖像(A為鈣化斑塊;B為脂質(zhì)斑塊;C為纖維斑塊)[5]

IVOCT在動(dòng)脈粥樣硬化斑塊的檢測(cè)方面具有突出的優(yōu)勢(shì)，但其在臨床應(yīng)用中仍然依賴醫(yī)生的經(jīng)驗(yàn)和主觀判斷確定圖像中是否存在斑塊及其類別以及相關(guān)參數(shù)，存在一定的主觀性和不確定性。如果IVOCT系統(tǒng)能夠根據(jù)光學(xué)信號(hào)對(duì)不同類型的斑塊做出判斷，并給出特征提示以及量化顯示，無疑將會(huì)使斑塊類型的識(shí)別更加客觀、準(zhǔn)確，同時(shí)大大降低臨床醫(yī)生對(duì)于識(shí)別經(jīng)驗(yàn)的依賴，減少漏診和誤診，使IVOCT應(yīng)用難度下降，更有益于推廣。為此，研究者展開了一系列研究，利用IVOCT信號(hào)提取冠狀動(dòng)脈粥樣硬化斑塊的光學(xué)特征參數(shù)，以此作為檢測(cè)斑塊的客觀判斷依據(jù)。同時(shí)，基于機(jī)器學(xué)習(xí)的方法對(duì)斑塊圖像進(jìn)行分析，以期建立IVOCT圖像特征智能識(shí)別系統(tǒng)，提高檢測(cè)效率和準(zhǔn)確性。

3 動(dòng)脈粥樣硬化斑塊的光學(xué)參數(shù)表征

3.1 IVOCT光學(xué)特征參數(shù)模型及其應(yīng)用

目前用于組織表征的光學(xué)特征參數(shù)主要有：衰減系數(shù)、散射系數(shù)和背向散射系數(shù)，可通過單次散射模型和多次散射模型獲得相關(guān)參數(shù)。

單次散射模型(single scattering model，SSM)是假設(shè)光在生物組織中僅發(fā)生一次散射的物理模型，光信號(hào)在組織內(nèi)部的衰減遵從一階指數(shù)形式。Schmitt等[6]在1993年首先提出針對(duì)OCT信號(hào)采用單次散射模型測(cè)量生物組織的光學(xué)特征參數(shù)，其后的研究者在此基礎(chǔ)上引入共聚焦點(diǎn)擴(kuò)展函數(shù)[7]和靈敏度滾降函數(shù)[8]，從而去除焦平面位置和探測(cè)器帶來的誤差。SSM模型如公式(1)所示。

=t(z)·h(z)·A·exp(-μtz)+noise

(1)

其中，是平均電流信號(hào)，t(z)是共聚焦點(diǎn)擴(kuò)展函數(shù)，h(z)是靈敏度滾降函數(shù)，A為初始電流，μt為衰減系數(shù)，z為縱向深度，noise為背景噪聲。通過對(duì)的曲線擬合可得到組織的衰減系數(shù)μt。

由于經(jīng)典的SSM模型只能對(duì)均勻組織進(jìn)行光學(xué)參數(shù)提取，Vermeer等[9]在2014年提出了深度分辨模型(depth-resolved model, DR)。DR模型實(shí)現(xiàn)了IVOCT圖像中的各像素點(diǎn)衰減系數(shù)提取。DR模型在一階指數(shù)衰減的基礎(chǔ)上引入兩個(gè)假設(shè)：(1)在記錄的成像深度范圍內(nèi)幾乎所有的光都會(huì)衰減；(2)反射回OCT系統(tǒng)的背向散射光是衰減光的固定部分。最終DR模型中每一個(gè)像素點(diǎn)處的衰減系數(shù)由公式(2)給出。

(2)

其中I為OCT的A-line信號(hào)。在求出衰減系數(shù)值之后，背向散射系數(shù)可以由公式(3)表示。

(3)

多次散射模型(multiple scattering model, MSM)考慮了光在組織內(nèi)部的多次散射，相較于單次散射模型，MSM更接近樣品內(nèi)部的真實(shí)情況。目前最常用的模型是基于擴(kuò)展惠更斯-菲涅爾原理模型(extended Huygens-Fresnel, EHF)[11]，是在擴(kuò)展惠更斯-菲涅爾原理和互相關(guān)函數(shù)的基礎(chǔ)上建立的模型，忽略生物組織對(duì)光的吸收，將組織的散射系數(shù)μs、均方根散射角θrms和平均折射率n與外差電流信號(hào)相關(guān)聯(lián)，由公式(4)所示。

(4)

其中α是光功率到電流的轉(zhuǎn)換因子，PR和PS分別是參考光和樣品光的功率，σb是有效背向散射截面，ωH是在沒有散射的情況下探測(cè)光強(qiáng)度為其自身強(qiáng)度1/e時(shí)的半徑，ωS是樣品光的角頻率。在ωS中含有均方根散射角θrms。公式(4)中僅有均方根散射角θrms和散射系數(shù)μs未知，通過非線性擬合可求出這兩個(gè)參數(shù)。

3.2 IVOCT中的色散光學(xué)模型

IVOCT中的色散通常指群速度色散，是介質(zhì)的折射率隨光的波長(zhǎng)變化所導(dǎo)致的，由生物組織和系統(tǒng)本身造成。色散會(huì)導(dǎo)致IVOCT圖像分辨率下降，一直以來的研究都集中在對(duì)IVOCT系統(tǒng)的色散補(bǔ)償上。但事實(shí)上，色散是與生物組織樣品有關(guān)的光學(xué)參量，不同的生物組織結(jié)構(gòu)會(huì)引入不同大小的色散，因此也可以將色散作為樣品的一個(gè)光學(xué)特征參數(shù)。

對(duì)于IVOCT的色散光學(xué)模型，可由OCT的干涉信號(hào)ΔSint(ω)和相位Δφ(ω)表示[12]。

(5)

Δφ(ω)=ω0Δτρ+(ω-ω0)Δτg

(6)

對(duì)于IVOCT中群速度色散的計(jì)算，通常的思路是計(jì)算樣品上、下表面的群速度色散，然后相減作差，即可消去系統(tǒng)本身引入的色散而得到樣品的群速度色散[13]。計(jì)算樣品某一特定位置色散的方法通常有迭代法[14]、相位擬合法[15]、分?jǐn)?shù)傅里葉變換法[16]等，目前已實(shí)現(xiàn)對(duì)光學(xué)材料和部分生物組織群速度色散的計(jì)算[17]，進(jìn)一步可針對(duì)不同類型的動(dòng)脈粥樣硬化斑塊進(jìn)行研究，獲得其色散參數(shù)用于斑塊特征識(shí)別。

4 動(dòng)脈粥樣硬化斑塊IVOCT圖像的智能識(shí)別

4.1 纖維、脂質(zhì)、鈣化斑塊檢測(cè)及臨床應(yīng)用

纖維斑塊、脂質(zhì)斑塊和鈣化斑塊是常見的動(dòng)脈粥樣硬化斑塊[18-21]，其中纖維斑塊由大量膠原纖維、平滑肌細(xì)胞及細(xì)胞外基質(zhì)形成，僅含有少量或不含有脂質(zhì)核[19]，具有高反射、低衰減、質(zhì)地均一等特點(diǎn)，在IVOCT圖像中表現(xiàn)為信號(hào)亮、穿透較深、顏色均勻等。脂質(zhì)斑塊[20]由大量“泡沫細(xì)胞”及細(xì)胞外脂質(zhì)和壞死核心組成，具有低反射、高衰減的特點(diǎn)，在圖像上表現(xiàn)為信號(hào)弱、穿透不深、顏色均勻、纖維帽和斑塊間沒有清晰的邊界等。鈣化斑塊是鈣鹽沉積于細(xì)胞外脂質(zhì)和細(xì)胞碎片、纖維帽甚至中膜內(nèi)，鈣化點(diǎn)逐漸擴(kuò)大，融合成較大的團(tuán)塊狀或片狀的鈣質(zhì)沉積[21]，具有低反射、低衰減、質(zhì)地不均等特點(diǎn)，在圖像上表現(xiàn)為信號(hào)弱、穿透較深與顏色明暗不一，同時(shí)斑塊邊界清晰，能夠看清斑塊的形狀大小。

通常醫(yī)生根據(jù)動(dòng)脈粥樣硬化斑塊的形態(tài)學(xué)和影像學(xué)特征對(duì)IVOCT圖像進(jìn)行判讀，識(shí)別圖像中是否含有斑塊及其類型。在IVOCT檢查過程中，一次回撤會(huì)產(chǎn)生數(shù)百?gòu)垐D像，單純靠醫(yī)生手動(dòng)判讀圖像，費(fèi)時(shí)又費(fèi)力，且效率低；同時(shí)受到醫(yī)生經(jīng)驗(yàn)程度以及主觀判斷的影響，無法保證動(dòng)脈粥樣硬化斑塊識(shí)別的速度和準(zhǔn)確性。因此，研究人員試圖設(shè)計(jì)并開發(fā)一種自動(dòng)檢測(cè)、識(shí)別動(dòng)脈粥樣硬化斑塊的方法，以減輕醫(yī)生的負(fù)擔(dān)，同時(shí)提高診斷準(zhǔn)確率。

首先研究人員使用機(jī)器學(xué)習(xí)的方法自動(dòng)識(shí)別、檢測(cè)IVOCT圖像中的動(dòng)脈粥樣硬化斑塊。Ughi等[22]通過計(jì)算不同斑塊組織的光學(xué)衰減系數(shù)，并結(jié)合圖像紋理特征，訓(xùn)練隨機(jī)森林分類器，最終完成了對(duì)IVOCT圖像中纖維、脂質(zhì)和鈣化斑塊的分類。Rico-Jimenez等[23]通過A-scan和B-scan兩種形式對(duì)斑塊進(jìn)行建模和表征，識(shí)別了內(nèi)膜增厚、纖維斑塊和含脂斑塊。

機(jī)器學(xué)習(xí)方法概括而言就是利用IVOCT圖像特征，如紋理特征、幾何特征以及光學(xué)特征參數(shù)等訓(xùn)練機(jī)器學(xué)習(xí)模型，從而完成對(duì)不同斑塊的自動(dòng)識(shí)別。該方法提高了對(duì)IVOCT圖像的判別速度和準(zhǔn)確性，但缺點(diǎn)是需要人為設(shè)計(jì)特征。

與機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)方法不需要人為設(shè)計(jì)特征，網(wǎng)絡(luò)模型能夠自動(dòng)學(xué)習(xí)圖像特征并用于識(shí)別斑塊，同時(shí)隨著計(jì)算機(jī)處理能力的提升，深度學(xué)習(xí)方法逐漸被用于IVOCT圖像的判別。Gessert等[24]設(shè)計(jì)了一種雙路徑級(jí)聯(lián)網(wǎng)絡(luò)，實(shí)現(xiàn)了鈣化斑塊的檢測(cè)。Gharaibeh等[25]通過深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)IVOCT圖像中鈣化斑塊進(jìn)行分割，進(jìn)而計(jì)算鈣化深度、鈣化角和鈣化厚度等參數(shù)。Liu等[26]提出了一種自動(dòng)檢測(cè)纖維斑塊的深度學(xué)習(xí)算法。與機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)方法目前取得了更高的識(shí)別準(zhǔn)確率，但計(jì)算速度稍慢且數(shù)據(jù)量需求更大。

4.2 易損斑塊的智能檢測(cè)與臨床應(yīng)用

易損斑塊是指容易導(dǎo)致血栓形成或能快速發(fā)展為罪犯病變的所有斑塊。判斷易損斑塊的主要標(biāo)準(zhǔn)有：1)薄的纖維帽，大的脂質(zhì)核心；2)活動(dòng)性炎性反應(yīng)，表現(xiàn)為巨噬細(xì)胞等的浸潤(rùn)聚集；3)斑塊有裂隙或損傷，血管狹窄程度超過90%。研究表明纖維帽的厚度是斑塊易損性的決定性因素。目前臨床上的共識(shí)是當(dāng)纖維帽的厚度小于65 μm時(shí)，斑塊具有易損傾向。

易損斑塊相比常見的纖維、脂質(zhì)以及鈣化斑塊而言，形態(tài)更加多變，特征更加不明顯。對(duì)此，通過機(jī)器學(xué)習(xí)的方法設(shè)計(jì)、提取易損斑塊特征，進(jìn)而進(jìn)行識(shí)別與檢測(cè)就變得相對(duì)困難。但也有少量的機(jī)器學(xué)習(xí)方法，通過檢測(cè)纖維帽的厚度，判別斑塊是否具有易損傾向。Guo等[27]通過最小二乘支持向量機(jī)的方法，完成了對(duì)脂質(zhì)核的檢測(cè)以及纖維帽厚度的測(cè)量，但只是在少量IVOCT圖像上進(jìn)行了實(shí)驗(yàn)。

與機(jī)器學(xué)習(xí)方法相比，基于深度學(xué)習(xí)的方法可以直接從輸入圖像中提取特定于某個(gè)任務(wù)的特征，避免了依賴人工特征所帶來的各種問題。此外，深度學(xué)習(xí)方法可以將整個(gè)分析工作流程，包括特征提取、特征選擇和分類器訓(xùn)練，集成到神經(jīng)網(wǎng)絡(luò)模型中。Liu等[28]提出了一種并行網(wǎng)絡(luò)，集成了多個(gè)目標(biāo)檢測(cè)網(wǎng)絡(luò)，以檢測(cè)IVOCT圖像中的易損斑塊。該方法首先使用3個(gè)獨(dú)立檢測(cè)器獲取極坐標(biāo)變換圖像的目標(biāo)，并對(duì)檢測(cè)到的可疑目標(biāo)執(zhí)行并集操作去除重復(fù)目標(biāo)，最終獲得比單個(gè)探測(cè)器更準(zhǔn)確的斑塊位置。這種方法對(duì)處理速度有一定的影響。Wang[29]搭建了一個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)用于區(qū)分IVOCT圖像中是否存在易損斑塊，該網(wǎng)絡(luò)首先通過一系列的卷積池化層逐層提取高維特征，然后通過兩層全連接層的分類頭對(duì)特征進(jìn)行分類。Shi等[30]參考了多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)，并在分類頭中引入一個(gè)額外的分類頭對(duì)單個(gè)A-scan進(jìn)行分類，從而提高了準(zhǔn)確性?？傊疃葘W(xué)習(xí)方法被逐漸應(yīng)用于易損斑塊的識(shí)別與檢測(cè)且不斷取得新的進(jìn)展，有望提供快速準(zhǔn)確的智能識(shí)別系統(tǒng)。

5 結(jié)束語

IVOCT以其高分辨率、實(shí)時(shí)在體成像的優(yōu)勢(shì)，越來越廣泛地被應(yīng)用于冠狀動(dòng)脈粥樣硬化斑塊的檢測(cè)。為了更為客觀、準(zhǔn)確、高效地為臨床服務(wù)，研究者開展了對(duì)斑塊光學(xué)特性參數(shù)的研究，以及將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用于IVOCT圖像中斑塊的自動(dòng)識(shí)別。盡管目前的研究結(jié)果還沒有形成直接應(yīng)用于臨床的人工智能檢測(cè)系統(tǒng)，但動(dòng)脈粥樣硬化斑塊多維光學(xué)特征參數(shù)的表征將有助于提高斑塊識(shí)別的準(zhǔn)確性，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法的不斷拓展和完善將使動(dòng)脈粥樣硬化斑塊的智能識(shí)別與分析系統(tǒng)成為可能，從而為臨床診斷提供更加高效的檢測(cè)工具。