breif: 2018年的論文加缘，作者來自 荷蘭烏得勒支醫(yī)療中心（University Medical Center Utrecht, The Netherlands）。原文見此處

摘要

不同類型的動(dòng)脈粥樣硬化斑塊和不同程度的狹窄可能導(dǎo)致對(duì)冠心病患者的不同處理兽掰。因此么翰，冠狀動(dòng)脈斑塊類型的檢測(cè)與分類以及冠狀動(dòng)脈狹窄程度的檢測(cè)與判斷至關(guān)重要族吻。本文回顧性地收集了163名患者地臨床冠狀動(dòng)脈CT血管造影(CCTA)掃描結(jié)果急灭。首先提取冠脈中心線姐浮，并將其用于重建各冠脈分支地MPR圖像。 為定義參考標(biāo)準(zhǔn)葬馋，我們?cè)贛PR圖像上卖鲤，通過識(shí)別冠脈段的起點(diǎn)和終點(diǎn)，手工標(biāo)注了 斑塊的存在和類型（無斑塊畴嘶、非鈣化斑塊蛋逾、混合斑塊、鈣化斑塊）掠廓，以及冠狀動(dòng)脈狹窄的存在及其解剖學(xué)意義（無狹窄换怖、無明顯狹窄<50%甩恼、顯著狹窄>=50%）蟀瞧。提出了一個(gè)多任務(wù)循環(huán)卷積神經(jīng)網(wǎng)絡(luò)（RCNN），對(duì)MPR圖像自動(dòng)分析条摸。首先悦污，利用3DCNN來提取沿著冠脈的特征，其次钉蒲，提取到的特征輸入到RNN網(wǎng)絡(luò)切端，以執(zhí)行2個(gè)多標(biāo)簽分類任務(wù)。第一個(gè)分類任務(wù)用于檢測(cè)并識(shí)別斑塊的4種類型顷啼，第二個(gè)分類任務(wù)用于確定解剖學(xué)上的冠脈狹窄等級(jí)踏枣。用于訓(xùn)練和測(cè)試的數(shù)據(jù)集分別包含98和65名患者的CCTA圖像。對(duì)于冠脈斑塊的檢測(cè)和分類任務(wù)钙蒙，本文方法達(dá)到0.77的accuracy茵瀑，對(duì)于狹窄檢測(cè)和解剖學(xué)意義分級(jí)，本文方法達(dá)到0.80的accuracy躬厌。結(jié)果表明马昨，采用本文方法進(jìn)行冠脈斑塊和狹窄同時(shí)自動(dòng)檢測(cè)的方法式可行的。這可能根據(jù)是否存在冠脈斑塊以及是否需進(jìn)一步進(jìn)行心血管檢查來對(duì)患者進(jìn)行自動(dòng)分流。

引言

冠狀動(dòng)脈疾埠枧酢（coronary artery disease, CAD）是目前最常見的一種心臟病屹篓。冠狀動(dòng)脈粥樣硬化斑塊在冠狀動(dòng)脈壁上堆積時(shí)，易引發(fā)CAD匙奴，可能引起狹窄堆巧，也就是 冠脈腔狹窄或閉塞，限制心肌的血液供應(yīng)泼菌，可能導(dǎo)致心肌缺血恳邀。動(dòng)脈粥樣硬化斑塊可按其組成分為鈣化斑塊、非鈣化斑塊和混合型斑塊（含有鈣化和非鈣化成分的斑塊）灶轰。其中鈣化斑塊被認(rèn)為是較為穩(wěn)定的谣沸，其在冠狀動(dòng)脈中的數(shù)量是心血管事件的一個(gè)強(qiáng)有力的預(yù)測(cè)因素。與鈣化斑塊不同笋颤，非鈣化斑塊和混合斑塊被認(rèn)為是不穩(wěn)定的乳附，更容易破裂。這種破裂可導(dǎo)致急性冠狀動(dòng)脈綜合征伴澄，并可導(dǎo)致心肌不可逆損傷赋除，即心肌梗死。由于不同類型的斑塊和不同程度的狹窄導(dǎo)致不同的患者管理策略非凌，因此冠狀動(dòng)脈斑塊和狹窄的檢測(cè)和表征至關(guān)重要举农。
冠狀動(dòng)脈CT血管造影(CCTA)是一種公認(rèn)的診斷和排除疑似冠心病患者的方法。它允許無創(chuàng)檢測(cè)和表征冠狀動(dòng)脈斑塊和冠狀動(dòng)脈狹窄分級(jí)敞嗡。目前颁糟，這些任務(wù)通常在臨床通過視覺評(píng)估進(jìn)行，或半自動(dòng)化地首先利用腔和動(dòng)脈壁分割喉悴，然后確定斑塊或狹窄的存在棱貌。然而，前者在不同的觀察者之間箕肃，即使是由經(jīng)驗(yàn)豐富的專家之間婚脱，都存在很大的主觀性差異。而后者依賴于冠狀動(dòng)脈腔和壁的分割勺像，這通常是耗時(shí)和繁瑣的障贸，特別是在大量動(dòng)脈粥樣硬化斑塊或成像偽影存在的情況下，其過程相當(dāng)繁瑣吟宦。
鑒于斑塊檢測(cè)的重要性篮洁，已經(jīng)提出了許多冠狀動(dòng)脈斑塊檢測(cè)和定量的方法，迄今為止督函，(半)自動(dòng)化方法已被設(shè)計(jì)用于檢測(cè)鈣化或非鈣化斑塊嘀粱。許多方法已經(jīng)被提出并用于在非對(duì)比CT和CCTA掃描圖像上進(jìn)行自動(dòng)分割和量化冠脈斑塊[3,11-13]激挪。這些方法使用機(jī)器學(xué)習(xí)來分析CT掃描的軸向重建。通常锋叨，接近專家水平的出色性能是可以實(shí)現(xiàn)的垄分。然而，使用CCTA自動(dòng)檢測(cè)和定量非鈣化冠狀動(dòng)脈斑塊的研究較少娃磺。盡管鈣化斑塊由于其較高的CT密度薄湿，其視覺檢測(cè)在CT/CCTA中是比較直接的，而非鈣化斑塊偷卧，尤其是混合性斑塊豺瘤，由于與鄰近組織的對(duì)比度較低，這類斑塊的檢測(cè)更具挑戰(zhàn)性听诸。因此坐求，與檢測(cè)鈣化的方法不同，標(biāo)準(zhǔn)的視覺評(píng)估以及(半)自動(dòng)檢測(cè)非鈣化斑塊的方法通常需對(duì)拉直的multi-planar reformatted(MPR)圖像進(jìn)行分析晌梨。MPR圖像可以更好地顯示動(dòng)脈腔和識(shí)別動(dòng)脈壁中難以描繪的非鈣化斑塊桥嗤。為了檢測(cè)和量化非鈣化斑塊，以前的方法在預(yù)先確定的感興趣區(qū)域?qū)T值進(jìn)行手動(dòng)或半自動(dòng)閾值化仔蝌，通常泛领，這些方法需要專家進(jìn)行大量的手工交互。盡管混合斑塊的存在通常在臨床視覺評(píng)估中被報(bào)道敛惊，就我們所知渊鞋，自動(dòng)檢測(cè)和定量這種斑塊的方法還沒有被提出。
由于冠狀動(dòng)脈狹窄的檢測(cè)和分級(jí)是非常重要的瞧挤，已經(jīng)發(fā)展了許多方法來(半)自動(dòng)檢測(cè)和分級(jí)冠狀動(dòng)脈狹窄锡宋。這些方法或利用機(jī)器學(xué)習(xí)方法來分析冠狀動(dòng)脈中心線附近（如[16-18]），或分割冠脈腔（如[19-23]）皿伺。利用管腔分割進(jìn)行狹窄檢測(cè)的算法首先勾畫冠狀動(dòng)脈管腔员辩，然后通過分析所描繪動(dòng)脈管腔的局部變化和異常來檢測(cè)和量化狹窄盒粮。[21]首先提取動(dòng)脈中心線鸵鸥，然后采用圖形切割方法和穩(wěn)健的核回歸（kernel regression）對(duì)動(dòng)脈腔進(jìn)行分割。然后丹皱，為了檢測(cè)和分級(jí)冠狀動(dòng)脈狹窄妒穴，將節(jié)段管腔的直徑與健康管腔的預(yù)期直徑進(jìn)行比較，而健康管腔的直徑可通過對(duì)冠狀動(dòng)脈內(nèi)腔直徑的回歸估計(jì)得到摊崭。[22]采用水平集模型(level-set model)對(duì)動(dòng)脈內(nèi)外壁分別進(jìn)行分段讼油。然后通過比較這些動(dòng)脈壁的形態(tài)來檢測(cè)和分級(jí)狹窄。此外呢簸，利用機(jī)器學(xué)習(xí)進(jìn)行狹窄檢測(cè)的算法首先沿著動(dòng)脈中心線計(jì)算大量特征來描述局部圖像強(qiáng)度和動(dòng)脈幾何形狀矮台，隨后使用有監(jiān)督分類器（supervised classifier）來檢測(cè)和量化狹窄乏屯。例如，[17]將動(dòng)脈狹窄表述為沿動(dòng)脈中心線的異常血管橫斷面,用手工特征描述血管截面形狀及其強(qiáng)度分布瘦赫，然后用支持向量機(jī)檢測(cè)異常血管截面辰晕。[18]首次使用冠狀動(dòng)脈的上下行特性作為隨機(jī)森林回歸變量來估計(jì)冠狀動(dòng)脈的健康直徑，然后确虱，根據(jù)局部動(dòng)脈直徑的比例估計(jì)狹窄的程度含友，使用最大內(nèi)接球估計(jì)，與估計(jì)的健康直徑校辩。
在此窘问，我們提出了一種自動(dòng)在CCTA掃描中檢測(cè)和描述冠狀動(dòng)脈斑塊類型，檢測(cè)和確定狹窄及其解剖學(xué)意義的方法宜咒。為了進(jìn)行自動(dòng)綜合分析惠赫，采用多任務(wù)遞歸卷積神經(jīng)網(wǎng)絡(luò)(RCNN)對(duì)MPR圖像中提取的中心線附近區(qū)域進(jìn)行分析，同時(shí)進(jìn)行兩項(xiàng)分類任務(wù)故黑。在第一個(gè)任務(wù)中汉形，網(wǎng)絡(luò)檢測(cè)并表征冠狀動(dòng)脈斑塊的類型，即無斑塊倍阐、未鈣化概疆、混合或鈣化斑塊，在第二個(gè)任務(wù)中峰搪，網(wǎng)絡(luò)檢測(cè)并確定冠狀動(dòng)脈狹窄的解剖意義岔冀，即無狹窄、無顯著性狹窄或顯著性狹窄概耻。RCNN分析沿動(dòng)脈中心線的鄰近區(qū)域使套，定義為沿中心線的小體積序列。這個(gè)定義使RCNN成為可能鞠柄，RCNN由一個(gè)3D卷積神經(jīng)網(wǎng)絡(luò)(CNN)和一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)(RNN)串聯(lián)而成侦高，從較小體積的斑塊中提取圖像特征，而不考慮斑塊長(zhǎng)度厌杜，然后將提取到的所有特征沿斑塊聚集奉呛。我們的貢獻(xiàn)包含4個(gè)方面。首先夯尽，我們提出聯(lián)合對(duì)斑塊和狹窄進(jìn)行分類瞧壮，而之前提出的方法要么檢測(cè)到斑塊，要么檢測(cè)到狹窄匙握。其次咆槽，與以往的自動(dòng)方法不同标沪，我們的方法不需要對(duì)冠狀動(dòng)脈管腔和/或壁進(jìn)行分割岔绸，也不需要利用動(dòng)脈管腔的幾何信息了讨。相反沛鸵，它只需要冠狀動(dòng)脈中心線。第三灯谣，我們是第一個(gè)使用深度神經(jīng)網(wǎng)絡(luò)來處理冠狀動(dòng)脈斑塊和狹窄的分析任務(wù)法褥，或者更具體地說，使用3D-CNN和RNN來分析醫(yī)療數(shù)據(jù)酬屉。最后半等，以前對(duì)冠狀動(dòng)脈斑塊進(jìn)行分類的工作需要對(duì)每一個(gè)受斑塊影響的體素進(jìn)行詳細(xì)的參考標(biāo)注，這種手動(dòng)標(biāo)注非常具有挑戰(zhàn)性呐萨，并且非常耗時(shí)杀饵。在目前的工作中，我們僅使用弱標(biāo)注的參考(一個(gè)病灶的起點(diǎn)和終點(diǎn)谬擦，該病灶的所有體素都有一個(gè)單一的標(biāo)記)來檢測(cè)和表征斑塊切距，從而大大簡(jiǎn)化了手工標(biāo)注的過程。

數(shù)據(jù)

A 患者和圖像數(shù)據(jù)

本研究包括回顧性收集了2012年至2016年在我院臨床獲得的163名患者進(jìn)行CCTA掃描（年齡：59.28.8歲惨远，126為男性）谜悟。所有的CCTA掃描都是使用一個(gè)由心電圖觸發(fā)的步進(jìn)射擊協(xié)議在256個(gè)檢測(cè)器的行掃描儀上(Philips Brilliance iCT, Philips Medical, Best, 荷蘭)。管電壓為120 kVp北秽，管電流為210 ~ 300mas葡幸。對(duì)于體重<80kg的患者，注射對(duì)比劑使用6ml /s的流速贺氓，共得到70 mL的碘酰亞胺蔚叨。將圖像重建為平面內(nèi)分辨率為0.38 - 0.56 mm，切片厚度為0.9 mm辙培，切片增量為0.45 mm蔑水。
在每張CCTA圖像中，冠狀動(dòng)脈中心線都采用文獻(xiàn)[25]的方法獲得扬蕊。該方法需要在感興趣的動(dòng)脈中手動(dòng)放置一個(gè)種子點(diǎn)搀别，然后提取出動(dòng)脈中心線，該中心線位于口和CCTA圖像中顯示的最遠(yuǎn)端點(diǎn)之間尾抑。利用提取的中心線歇父，對(duì)各動(dòng)脈重建0.3 mm各向同性的MPR直像，用于進(jìn)一步分析蛮穿。

B 參考標(biāo)準(zhǔn)

為了確定動(dòng)脈粥樣硬化斑塊和冠狀動(dòng)脈狹窄的參考標(biāo)準(zhǔn)庶骄，我們使用了冠狀動(dòng)脈的MPR圖像(如圖1所示)。由于只有動(dòng)脈的直徑大于1.5 mm用CCTA進(jìn)行臨床評(píng)估践磅，因此本文中對(duì)直徑>1.5mm的冠脈才進(jìn)行標(biāo)注。斑塊類型和狹窄的解剖意義由專家使用定制軟件手動(dòng)注釋灸异，并遵循指南心血管計(jì)算機(jī)斷層攝影學(xué)會(huì)(SCCT)報(bào)告冠狀動(dòng)脈疾病府适。對(duì)于每個(gè)斑塊羔飞，專家標(biāo)記其起點(diǎn)和終點(diǎn)、斑塊類型(非鈣化檐春、鈣化逻淌、混合)以及由斑塊引起的解剖學(xué)意義上的狹窄類型（無顯著狹窄<50%、顯著狹窄>=50%）疟暖。狹窄的顯著性是通過對(duì)斑塊引起的管腔狹窄的最大等級(jí)的目視估計(jì)來確定的卡儒。值得注意的是，斑塊體素并沒有被分割俐巴，只是識(shí)別出了包含斑塊的動(dòng)脈部分骨望。專家還對(duì)不同患者的一些無斑塊、無狹窄的動(dòng)脈段進(jìn)行了標(biāo)注欣舵。我們將動(dòng)脈的標(biāo)注和分析部分稱為節(jié)段擎鸠。然而，注意這些不是解剖學(xué)上定義的冠狀動(dòng)脈段缘圈。

圖1 a和b表示軸向和拉直MPR圖像的縱向視圖劣光，c表示截面。該動(dòng)脈有一處病變(跨越綠色箭頭)糟把，標(biāo)記為鈣化斑塊绢涡，無明顯狹窄，紅色箭頭表示斑塊在其他視圖中的位置

方法

為了檢測(cè)和表征冠狀動(dòng)脈斑塊的類型票堵，以及檢測(cè)和確定冠狀動(dòng)脈狹窄的解剖學(xué)意義扼睬，設(shè)計(jì)了RCNN。提出的工作流程如圖2所示悴势。最近窗宇，RCNNs已成功地應(yīng)用于視頻識(shí)別和描述(如[26]、[27]特纤、[28])军俊、目標(biāo)識(shí)別(如[29])，語音建模[30]捧存，并在醫(yī)學(xué)圖像分析(如[31]粪躬，[32]，[33]昔穴，[34])镰官。RCNNs將CNN與RNN串聯(lián)起來分析一個(gè)連續(xù)的輸入。CNN獨(dú)立提取序列中每個(gè)元素的圖像特征(例如吗货，視頻片段中的幀泳唠、句子中的單詞、心臟周期中的心臟期)宙搬，然后將這些提取的特征輸入RNN, RNN將分析整個(gè)序列中相關(guān)的序列相關(guān)性笨腥。

圖2

在這項(xiàng)工作中，在臨床實(shí)踐中根據(jù)斑塊和狹窄對(duì)部分動(dòng)脈進(jìn)行分類后定義了標(biāo)注參考勇垛。因此脖母，我們只識(shí)別含有斑塊的動(dòng)脈段，而不是標(biāo)注動(dòng)脈腔的所有橫截面或動(dòng)脈壁的所有體素闲孤。考慮到斑塊沿整個(gè)節(jié)段的出現(xiàn)對(duì)其類型的表征和狹窄的存在和意義的確定是重要的谆级，因此需要分析沿整個(gè)節(jié)段的動(dòng)脈。我們不是提取一個(gè)單獨(dú)的、可能很大的哨苛、覆蓋當(dāng)前段的卷鸽凶，而是將段表示為沿著其中心線的小卷序列币砂。這使得我們能夠使用一個(gè)相對(duì)較淺的CNN來獨(dú)立地從較小的體積中提取圖像特征建峭。分析小體積的淺CNN可能有更少的參數(shù)，因此不容易過度擬合决摧。為了聚合和分析沿著線段的所有小體積的特征亿蒸，我們使用了一個(gè)RNN。對(duì)于整個(gè)分析序列掌桩，網(wǎng)絡(luò)1)檢測(cè)并表征冠狀動(dòng)脈斑塊边锁，即將該段分為不含斑塊、含未鈣化斑塊波岛、含混合斑塊或鈣化斑塊;2)檢測(cè)并確定冠狀動(dòng)脈狹窄的解剖意義茅坛，即將該節(jié)段分為無狹窄段、無顯著性狹窄段和顯著性狹窄段则拷。
圖3顯示了所提出的RCNN的示例贡蓖。網(wǎng)絡(luò)的輸入是一個(gè)最大長(zhǎng)度為25個(gè)25x25x25的立方體組成的序列，這些立方體序列是從MPR沿冠狀動(dòng)脈中心線間隔5個(gè)voxel提取得到的煌茬。根據(jù)訓(xùn)練集中最長(zhǎng)的標(biāo)注斑塊選擇最大長(zhǎng)度斥铺。立方體的大小設(shè)為25，以便它包含整個(gè)動(dòng)脈腔和動(dòng)脈附近可能需要的正樣本重建坛善。每個(gè)立方體被輸入到3D CNN進(jìn)行特征提取晾蜘。該3DCNN由三個(gè)卷積層組成，卷積層的kernel size為
3x3x3眠屎，輸出channel分別為32剔交、64、128改衩。每個(gè)卷積層后面都有一個(gè)2x2x2 Maxpooling 和batchnormal層岖常。3DCNN提取的特征輸入到RNN。RNN由兩層
64個(gè)GRU單元燎字。除了RNN的輸出層外腥椒，CNN和RNN層都使用ReLU作為激活函數(shù)。為了同時(shí)執(zhí)行這兩個(gè)分類任務(wù)候衍，RNN的最后一層的輸出被送入兩個(gè)獨(dú)立的多類softmax分類器笼蛛，第一分類器有4個(gè)類別輸出，用于檢測(cè)斑塊和表征其類型(無斑塊蛉鹿、非鈣化滨砍、混合、鈣化)。第二分類器有3個(gè)類別輸出惋戏，用于檢測(cè)狹窄并判定其解剖意義(無狹窄领追、無顯著狹窄、顯著狹窄)响逢。RCNN總共有340,295個(gè)參數(shù)绒窑。

圖3 3DRCNN

評(píng)估

對(duì)網(wǎng)絡(luò)的性能評(píng)估主要從節(jié)段、動(dòng)脈和患者水平3個(gè)層次進(jìn)行舔亭。對(duì)于分段級(jí)的評(píng)估些膨，只考慮位于手動(dòng)標(biāo)注的分段邊界內(nèi)的中心線上的預(yù)測(cè)標(biāo)簽。動(dòng)脈水平的評(píng)估钦铺，所有預(yù)測(cè)的標(biāo)簽沿完整的動(dòng)脈中心線被考慮在內(nèi)订雾。在患者水平的評(píng)估中，所有沿著患者所有動(dòng)脈完整中心線的預(yù)測(cè)標(biāo)簽都被考慮在內(nèi)矛洞。
當(dāng)一個(gè)自動(dòng)標(biāo)記的片段與一個(gè)手動(dòng)標(biāo)注的共享其標(biāo)記的片段重疊至少1mm時(shí)洼哎，自動(dòng)標(biāo)記的片段被認(rèn)為是斑塊類型或狹窄意義的真正陽性分類。相反沼本，當(dāng)一個(gè)節(jié)段上的所有點(diǎn)均未被預(yù)測(cè)為陽性斑塊或狹窄時(shí)噩峦，我們認(rèn)為該健康節(jié)段被準(zhǔn)確地檢測(cè)為不存在斑塊或狹窄（原文直譯地意思是，檢測(cè)斑塊不存在(無斑塊)或狹窄不存在(無狹窄)地true positive）擅威。
由于大多數(shù)患者有多個(gè)不同類型的動(dòng)脈斑塊壕探，因此斑塊檢測(cè)和表征的評(píng)估僅在節(jié)段水平上進(jìn)行。計(jì)算所有片段和標(biāo)簽預(yù)測(cè)的平均準(zhǔn)確率郊丛，即正確標(biāo)記片段的平均百分比李请。為了評(píng)估整體表現(xiàn)，計(jì)算F1得分的未加權(quán)平均值厉熟。這是對(duì)每個(gè)標(biāo)簽分別進(jìn)行的导盅，然后計(jì)算所有標(biāo)簽的未加權(quán)平均值，在所有段上進(jìn)行平均值揍瑟。鑒于斑塊標(biāo)簽的多種類別白翻，采用未加權(quán)地k準(zhǔn)則(unweighted Cohens k metric)來測(cè)量預(yù)測(cè)斑塊標(biāo)簽和參考標(biāo)準(zhǔn)之間的可靠性。
在節(jié)段绢片、動(dòng)脈和患者水平上對(duì)狹窄的檢測(cè)和特征進(jìn)行評(píng)估滤馍。如果自動(dòng)檢測(cè)到的動(dòng)脈中心線或患者動(dòng)脈的任何標(biāo)簽分別與該動(dòng)脈或患者的參考標(biāo)簽匹配，則自動(dòng)判定該動(dòng)脈或患者的狹窄顯著性為真陽性底循。相反巢株，動(dòng)脈或患者只有在其動(dòng)脈的任何點(diǎn)或任何患者的動(dòng)脈中沒有發(fā)現(xiàn)狹窄時(shí)，才被認(rèn)為是真正的陽性熙涤。對(duì)于斑塊評(píng)價(jià)阁苞，計(jì)算平均準(zhǔn)確率和未加權(quán)平均F1分困檩，評(píng)估預(yù)測(cè)狹窄標(biāo)簽的總體一致性。根據(jù)狹窄程度那槽，Cohens線性加權(quán)k準(zhǔn)則(Cohens linearly weighted k metric)被用來測(cè)量預(yù)測(cè)狹窄標(biāo)簽和參考標(biāo)準(zhǔn)之間的可靠性悼沿。

實(shí)驗(yàn)

從163名患者的可用數(shù)據(jù)集中，分別隨機(jī)選擇81名(50%)和17名(10%)患者的CCTA掃描進(jìn)行訓(xùn)練和驗(yàn)證骚灸，其余65名(40%)患者的掃描結(jié)果被用來測(cè)試該方法糟趾。所有的CNN和RNN超參數(shù)在初步實(shí)驗(yàn)中僅使用訓(xùn)練和驗(yàn)證掃描來確定。
在訓(xùn)練之前逢唤，使用了幾種數(shù)據(jù)擴(kuò)充技術(shù)來增加訓(xùn)練集的大小拉讯。首先涤浇，為了使網(wǎng)絡(luò)不受圍繞冠狀動(dòng)脈中心線旋轉(zhuǎn)的影響鳖藕，對(duì)所有立方體沿冠狀動(dòng)脈中心線進(jìn)行0到360度的隨機(jī)旋轉(zhuǎn)。其次只锭，為了使網(wǎng)絡(luò)對(duì)定義線段的點(diǎn)的人工標(biāo)注的微小誤差不發(fā)生變化著恩，我們通過隨機(jī)選擇步長(zhǎng)為5voxel，均勻分布在3voxel的立方體中心來改變節(jié)段序列蜻展。第三喉誊，為了使該網(wǎng)絡(luò)對(duì)提取冠狀動(dòng)脈中心線可能存在的誤差具有魯棒性，每個(gè)立方體的中心在其原點(diǎn)周圍隨機(jī)移動(dòng)最多2個(gè)體素纵顾，可向任何方向移動(dòng)伍茄。
對(duì)網(wǎng)絡(luò)進(jìn)行了mini-batch的訓(xùn)練，只包含手工標(biāo)注的節(jié)段施逾。在數(shù)據(jù)集中敷矫，斑塊類型和狹窄程度的分布不平衡。為了避免對(duì)數(shù)據(jù)集中最常見的斑塊類型和狹窄的潛在過擬合(即鈣化斑塊無明顯狹窄)汉额，在訓(xùn)練期間進(jìn)行了分層隨機(jī)數(shù)據(jù)抽樣曹仗。一個(gè)mini-batch包含了斑塊類別相對(duì)平衡的節(jié)段，而不考慮狹窄的重要性蠕搜。第二個(gè)mini-batch包含了狹窄等級(jí)相平衡的片段怎茫，而與斑塊類型無關(guān)。 對(duì)每個(gè)節(jié)段妓灌，從MPR volume中沿動(dòng)脈中心線提取轨蛤，跨越整個(gè)節(jié)段 地一個(gè)立方體序列。每個(gè)softmax分類器使用類別交叉熵作為損失函數(shù)虫埂，所有層使用L2正則化\gamma= 0.001.損失函數(shù)定義為：

損失函數(shù)

訓(xùn)練過程中祥山，一個(gè)mini-batch 包含36個(gè)序列（即36個(gè)節(jié)段），使用Adam優(yōu)化器告丢，學(xué)習(xí)率為0.001枪蘑，在每層rnn后加隨機(jī)dropout避免過擬合损谦，訓(xùn)練迭代次數(shù)為50000。作者還關(guān)于數(shù)據(jù)增廣進(jìn)行了實(shí)驗(yàn)對(duì)比岳颇，采用同樣地?cái)?shù)據(jù)集和參數(shù)照捡，一個(gè)進(jìn)行數(shù)據(jù)增廣，一個(gè)未進(jìn)行增廣话侧，訓(xùn)練得到2個(gè)模型栗精，對(duì)比得出，未進(jìn)行增廣地模型有在訓(xùn)練集上過擬合地表現(xiàn)瞻鹏。
訓(xùn)練過程中悲立，作者使用了一個(gè)由起點(diǎn)和終點(diǎn)定義地節(jié)段，而在測(cè)試過程中新博，由于測(cè)試集沒有節(jié)段地標(biāo)注薪夕，因此作者對(duì)冠脈中心線上地每個(gè)點(diǎn)都進(jìn)行了預(yù)測(cè)。具體的赫悄，以中心線上某點(diǎn)為中心原献，沿中心線以步長(zhǎng)5voxel提取固定長(zhǎng)度地立方體序列（如序列長(zhǎng)度為5）。將提取地長(zhǎng)度為5地立方體序列輸入到RCNN模型埂淮，得到該點(diǎn)處的斑塊和狹窄類別的概率姑隅，對(duì)斑塊和狹窄任務(wù)，分別選取概率最大的類別作為該點(diǎn)的狹窄分級(jí)和斑塊類型倔撞。

斑塊檢測(cè)和分型

首先在每一段標(biāo)注的節(jié)段上評(píng)估RCNN對(duì)斑塊檢測(cè)和分型的性能讲仰。其次，在標(biāo)注的節(jié)段上進(jìn)行了對(duì)斑塊檢出性能的評(píng)估（識(shí)別為陽性斑塊or陰性斑塊）痪蝇，模型達(dá)到0.85的準(zhǔn)確率鄙陡。在對(duì)斑塊檢測(cè)和分型的評(píng)估（檢出結(jié)果分為無、鈣化霹俺、非鈣化和混合4種）柔吼，模型達(dá)到0.77的accuracy。最后丙唧，作者還進(jìn)行了斑塊檢測(cè)和分型對(duì)冠脈分支的依賴愈魏，結(jié)果表明，在LCX想际、RCA上分別取得0.81和0.72的accuracy培漏。

狹窄檢測(cè)和分級(jí)

與斑塊評(píng)估類似，增加了在患者水平和冠脈水平的狹窄檢測(cè)評(píng)估胡本，此處不做詳述牌柄。

其他

作者還進(jìn)行了其他方面的實(shí)驗(yàn)，如將2個(gè)分類任務(wù)通過一一組合采用單個(gè)分類任務(wù)（即斑塊類型的4種類別侧甫，分別和狹窄類型的3個(gè)類別進(jìn)行一一組合珊佣，形成新的斑塊-狹窄類別）蹋宦。實(shí)驗(yàn)結(jié)果表明，這樣采用單任務(wù)的方式得到的模型性能不如2個(gè)分類任務(wù)的結(jié)果咒锻。再比如冷冗，通過消融法，對(duì)比了RNN對(duì)模型的作用惑艇，結(jié)果表明蒿辙，與CNN后接2個(gè)fc分支進(jìn)行2個(gè)分類任務(wù)相比，RNN的性能更好滨巴。詳細(xì)內(nèi)容見原文思灌，此處不做詳細(xì)解釋。