血管内光学相干成像技术检测易损斑块研究进展

动脉粥样硬化斑块破裂引发血栓形成是临床急性冠脉综合征的根本原因。易损斑块的早期识别与及时处理是避免临床心血管事件的关键。目前已经有很多影像学方法应用于冠脉内易损斑块的检测,但易损斑块的形态学及其破裂导致血栓形成的机制仍是临床医生关注的重点。血管内光学相干成像技术(OCT)是一种基于心脏导管的检查方法,它利用近红外光,可获取高达10μm分辨率的影像,从而在细胞水平实现体内血管壁微结构成像。随着新一代频域OCT(FD-OCT)的发展,这一技术在易损斑块研究中发挥积极作用。现将OCT在易损斑块相关研究中的进展作一综述。

深度学习在冠状动脉内光学相干断层成像的研究进展

如今,冠心病仍然是影响人们生活质量和导致死亡的主要原因,因此冠状动脉病变的检测及治疗至关重要。光学相干断层成像是冠状动脉内斑块组织的鉴别方法。但由于医师的临床经验差异性,导致在诊断中产生分歧使患者无法得到精准治疗。深度学习作为最先进的算法,能够自动提取深层特征,提高其在影像学诊断中的准确性和可靠性。本文将以深度学习在光学相干断层成像的应用进行综述,并对其在冠心病诊断中的未来前景进行展望。

血管内光学相干断层成像在冠脉介入中的应用

目的观察血管内光学相干断层成像对冠脉介入治疗的作用。方法回顾分析我院心血管科住院冠脉造影证实心肌桥、支架内再狭窄、分叉病变、临界病变的18例患者均行冠脉内光学相干断层成像检查的资料。结果血管内光学相干断层成像可评价冠脉狭窄程度、血栓情况、斑块性质、支架贴壁情况、心肌桥情况等,未出现相关并发症。结论血管内光学相干断层成像技术能用于指导及评价冠脉介入治疗,且有良好的操作性和安全性。

血管内光学相干断层成像观察糖尿病对冠状动脉粥样硬化斑块不稳定性的影响

随着生活水平的不断提高,糖尿病(DM)发病率逐年增加,而DM对冠心病影响很大,可能导致更严重的管腔狭窄、长病变、钙化、多支病变等,也影响冠心病患者的远期预后,导致远期主要不良心脏事件的发生,这严重影响患者的生存率和容易导致急性心血管事件的发生,可能与DM引起动脉粥样硬化斑块不稳定相关。为了给临床治疗提供较为准确的参考,现对采用血管内光学相干断层成像观察DM对冠状动脉粥样硬化斑块不稳定性的影响做一综述。

血管内光学相干层析成像技术在冠状动脉粥样硬化斑块检测方面的应用

血管内光学相干层析成像(IVOCT)技术近年来在冠状动脉粥样硬化斑块检测方面发展非常迅速,可实现血管内病变组织高分辨率、无辐射、实时在体成像,在临床诊断方面发挥了重要的作用。本文简要介绍了IVOCT的成像原理、生物组织光学特征参数以及色散系数的计算方法,并对动脉粥样硬化斑块的机器学习算法进行了概述,为构建斑块的智能识别系统提供了研究思路。

深度学习在血管内光学相干层析成像中的应用现状

血管内光学相干层析成像(IVOCT)是目前分辨率最高的血管内成像技术,可以清晰地显示管腔的几何形态及具有近显微特征的血管壁结构。在临床常规应用中,对每段血管会获得数百或上千帧B扫描图像,而人工分析图像耗时费力,结果还可能受到临床医生专业能力的影响。近年来,深度学习技术在医学影像领域不断取得重大突破,也被应用于IVOCT图像的自动分析和处理中。对深度学习在IVOCT研究中的应用现状进行了归纳和总结,主要包括图像分割、组织标定、斑块分类和目标检测,分析了目前存在的问题,并展望了未来可能的发展方向。

血管内光学相干层析成像中的冠状动脉支架重建

冠状动脉支架置入已经成为冠状动脉粥样硬化性心脏病的重要治疗手段。药物洗脱冠状动脉支架断裂(CSF)的识别与检测是目前的难点问题。血管内光学相干层析成像(IVOCT)系统以其极高的成像分辨率在CSF识别与检测方面具有独特优势。本文提出了一种在IVOCT中对冠状动脉支架精准重建的方法。该方法利用金属支架具有成像阴影这一特征,在血管边界分割后,将支架及其一定深度阴影的强度值进行累加生成一维数组,然后将一维数组按照回撤次序排列形成支架展开图像。与三维成像、纵切图像等支架重建方法相比,所提方法不仅可以保持支架的整体结构,而且避免了对操作人员空间想象力的要求。本文利用所提重建方法定量识别和分析了CSF,该方法可针对不同的支架结构选择不同的IVOCT成像参数。

颈动脉粥样硬化性狭窄的血管内光学相干断层成像评价:有症状与无症状患者的比较

目的探讨血管内光学相干断层成像(optical coherence tomography,OCT)在评价颈动脉粥样硬化性狭窄中的价值,并对有症状和无症状颈动脉粥样硬化斑块的形态学特征进行比较。方法回顾性纳入2017年1月至2019年11月在东部战区总医院神经内科确诊为颈动脉粥样硬化性狭窄并进行OCT检查的患者。应用数字减影血管造影(digital subtraction angiography,DSA)及OCT确定病变血管狭窄程度,记录OCT观察到的斑块特征。有症状颈动脉粥样硬化性狭窄定义为在进行颈动脉相关检查前6个月内有过短暂性脑缺血发作、一过性黑矇或病变血管供血区相关卒中史。比较有症状组与无症状组基线临床资料和影像学资料。采用多变量logistic回归分析确定有症状颈动脉粥样硬化的独立危险因素。结果共纳入56例患者,DSA与OCT在颈动脉直径测量方面的一致性良好(r=0.93,P<0.001)。应用OCT对斑块性质进行评估时,观察者间(κ=0.96,P<0.001)和观察者内(κ=0.96,P<0.001)的一致性均较高。有症状组Ⅵ型斑块(66.7%对34.5%;P=0.016)和巨噬细胞浸润(51.9%对24.1%;P=0.032)检出率均显著高于无症状组,而纤维化斑块检出率显著低于无症状组(40.7%对69.0%;P=0.034)。多变量logistic回归分析显示,Ⅵ型斑块(优势比13.798,95%可信区间1.38~137.675;P=0.025)和巨噬细胞浸润(优势比5.856,95%可信区间1.405~24.406;P=0.015)与有症状颈动脉粥样硬化性狭窄独立相关。结论OCT可用于颈动脉粥样硬化性狭窄患者的血管狭窄程度和斑块特征评价。有症状颈动脉狭窄患者的复杂型斑块检出率显著较高,Ⅵ型斑块和巨噬细胞浸润与有症状颈动脉粥样硬化性狭窄相关。

定量血管内光学相干层析成像的研究进展

血管内光学相干层析成像(IVOCT)是目前分辨率最高的血管内成像技术,可对冠状动脉血管腔及管壁内膜下病变进行快速、清晰的成像。仅根据组织结构的层析图像无法精确识别粥样硬化斑块成分(如钙化、纤维化、脂质和混合斑块),需要形态结构之外的生理信息的对比机制,获得具有临床诊断价值的组织参数,即定量IVOCT(qIVOCT)。本文针对根据IVOCT原始背向散射信号和灰阶图像定量测量血管壁组织的光学特性参数、弹性参数和血流动力学参数的研究现状进行归纳和总结,分析目前存在的问题,展望可能的发展方向。

基于深度学习的冠状动脉IVOCT图像中易损斑块识别算法研究进展

介绍了冠状动脉血管内光学相干断层成像(intravascular optical coherence tomography,IVOCT)图像中易损斑块的智能识别算法的研究现状,分析了传统机器学习算法在易损斑块识别领域的不足及深度学习算法的优势。从斑块分类、检测、分割3个方面阐述了基于深度学习的斑块识别网络的结构特征及针对性的结构改进方法,指出了现有基于深度学习的识别算法的局限性,提出了提升识别精度、理解易损斑块破裂机理是该领域的未来发展方向。

基于IVOCT的动脉粥样硬化斑块识别与风险评估

动脉粥样硬化引起的易损斑块破裂已经严重危害到人类的健康,而血管内光学相干断层成像(IVOCT)凭借其高分辨率已经成为识别冠脉易损斑块的主要工具,但图像判读费时费力,通常还依赖于医生的经验。目前已有基于传统机器学习的研究实现了对单帧图像的分类,但这些信息不足以辅助医生确定治疗方案,仍然需要医生二次判读。基于Faster R-CNN(R-CNN,区域卷积神经网络),针对IVOCT图像中易损斑块的特点,在数据增强、预测框(BBox)编码、网络结构等方面进行了改进和优化,实现了对易损斑块的自动识别,并选取易损斑块的病变累积角度、纤维帽厚度、巨噬细胞浸润情况、浅表微钙化情况和血管狭窄程度作为指标,对易损斑块的破裂风险进行多方面评估。在公开数据集CCCV2017 IVOCT中进行训练,测试后取得了较好结果,该方法可推广应用于同类图像。