实现经导管主动脉瓣植入术中设备尺寸的自动选择

摘要

经导管主动脉瓣植入术(TAVI)的数量预计将在未来几年显著增加。对于有经验的作业者来说，提高作业效率至关重要，而新作业者则需要培训，并可能受益于准确的支持。在这项工作中，我们提出了一种快速的深度学习方法，可以自动预测主动脉环的周长和面积从主动脉环平面图像。我们提出了一种结合两个深度卷积神经网络，然后进行后处理的方法。使用现代深度学习技术对355名患者进行了模型训练，并对另外118名患者进行了评估。该方法通过对相同118例患者的互操作可变性研究进行验证。人工获得的主动脉环测量值与自动预测值之间的差异与两个独立观察者之间的差异相似(配对差异为3.3±16.8 mm)²Vs. 1.3±21.1 mm²为面积和一对差0.6±1.7毫米和0.2±2.5毫米的周长)。该区域和周长用于回顾性检索Edwards Sapien 3和Medtronic Evolut装置的建议假体尺寸。自动获得的器件尺寸选择与操作员1选择的器件尺寸非常吻合。从主动脉环面到假体尺寸的总分析时间小于1秒。这项研究表明，使用该方法自动选择TAVI设备尺寸是快速、准确和可重复性的。与观察者间的可变性进行比较，显示了该策略的可靠性，并将基于深度学习的工具嵌入到术前计划程序中，有可能在确保准确性的同时提高效率。

1.介绍

经导管主动脉瓣植入术(TAVI)已成为高危主动脉瓣狭窄患者外科主动脉瓣置换术(SAVR)的首选治疗方法[1］.最近的结论是，对于中危患者，TAVI与SAVR在主要终点死亡或致残中风方面相似[2，3.］.最近的临床数据甚至表明，在低风险患者中TAVI至少与SAVR一样好[4，5］.

TAVI手术的数量每年都在迅速增加[6，并考虑到最近的低风险患者的临床数据，将导致在未来几年加速扩张。因此，包括术前计划在内的整个过程的可扩展性成为一个重要方面。例如，有经验的操作人员可以通过提高程序效率来扩大TAVI案例的数量。另一方面，许多新操作人员需要经过培训，由于经验有限，这必然会增加风险。当专注于术前规划时，直接从多层ct (MDCT)图像中精确自动检测主动脉环的尺寸，不仅可以提高效率，同时还可以减少操作者的可变性，从而最大限度地减少经验对TAVI尺寸的影响。

在这项工作中，我们提出了一种深度学习的方法，可以自动预测主动脉环的周长和面积。该方法通过对操作员间可变性研究进行验证，以评估其准确性。最后，评估了该方法对爱德华兹生命科学和美敦力经导管主动脉生物假体尺寸选择的影响。

2.材料和方法

2．1．多层螺旋ct成像

本回顾性研究采用473例多中心患者的匿名数据。该队列的平均年龄为80.82±7.18岁，55%的患者为女性。在这个队列中有36名双尖患者。患者数据包括容积MDCT图像，这些图像用于计划TAVI程序。因此，所有的多层螺旋ct图像都进行了增强，并包含了一定程度的主动脉瓣狭窄。多层螺旋ct图像的平均行、列、层厚度分别为512.05 mm、511.85 mm、0.83 mm。主动脉环面(AAP)使用标准方法手工从容积MDCT图像中识别[7并作为本研究的输入。对于这个回顾性研究，不需要正式的同意。

2．2．人工检测

由观察者1手工从主动脉环平面识别出主动脉环的边缘。观察者1的数据被认为是本研究的基本事实。观察者2对118名随机选择的患者重复这个实验，以评估手术间的可变性。两位观察者采用了相同的手工方法，包括对AAP内的主动脉环进行视觉检测，并使用Mimics Innovation Suite 18 (Materialise, Leuven, Belgium)对其进行注释。

2．3.自动检测

本研究旨在自动化手工分割，并获得临床患者特异性信息作为后处理步骤。为了为深度学习模型的训练准备数据，需要对地面真值图像和主动脉环标注进行预处理。

为了适应神经网络的输入，对主动脉环平面进行裁剪和重新采样。主动脉环面以各向同性1mm分辨率重新采样。由于深度学习网络需要一个128 × 128像素的平面作为输入，重新采样的主动脉环平面围绕主动脉环中心进行剪切。生成了第二个各向同性0.5 mm分辨率，并以相同的方式进行裁剪，以使分割细节水平加倍。三次样条插值是为了在重新采样的主动脉环平面上保留原始的Hounsfield单位(图)1）.生成二元掩膜，以指导神经网络如何利用主动脉环的地面真值注释分割主动脉环平面(图)1）.

深度学习模型需要一个结构来处理重采样和剪切的主动脉环面，并将模型的输出与二进制掩模进行比较。所使用的架构灵感来自于U-Net [8]及深余网[9由两条路径组成:降级路径和升级路径。降尺度路径从主动脉环平面提取信息，上升尺度路径将这些信息转化为节段主动脉环。最终的s形激活函数保证了模型的输出包含概率值。关于深度学习体系结构、培训和数据增强技术的详细信息请参见附录A中的补充材料(可用)在这里）.

在训练阶段使用深度学习体系结构来教一个深度学习模型从主动脉环平面分割主动脉环。

2.3.1。培训

使用训练数据集对两个模型进行训练，并使用验证数据集对两个模型进行验证。对主动脉环平面的两种分辨率(1 mm和0.5 mm)分别训练一个模型。验证数据集由观察者间变异性研究中使用的118名患者组成，训练数据集由剩余的355名患者组成。36例二尖瓣患者平均分布在训练和验证数据集。

２.４.检测

在对每个分辨率训练一个模型后，使用一种检测策略来结合两个模型的输出，并获得患者特有的解剖信息:主动脉环的面积和周长。

对单个患者的主动脉环面积和周长的检测分深度学习和后处理两步进行。在深度学习步骤中，通过两种模型分析主动脉环面，并将输出合并并归一化为识别感兴趣区域的概率输出。在后处理步骤中，通过canny边缘检测定位感兴趣区域的轮廓[10的概率输出。面积和周长由这条轮廓线得到，并作为检测阶段的最终预测输出(图)2）.

作为最后一步，导出的主动脉环尺寸被用来评估正确的假体大小。使用周长选择合适的Medtronic Evolut TAVR假体尺寸(https://www.medtronic.com/content/dam/medtronic-com/products/cardiovascular/heart-valves-transcatheter/corevalve-evolut-r/documents/201709637EN-Evolut-PRO-TAV-in-SAV-Interactive-Sizing-Guide-FINAL.pdf)，该区域用于确定Edwards Sapien 3假肢的尺寸(https://www.accessdata.fda.gov/cdrh_docs/pdf14/P140031c.pdf)类似于生产厂家在临床实践中使用的施胶基质。

2．5．统计分析

采用Shapiro-Wilk检验对正态分布进行检验，预测的分布均不为正态分布。计算Pearson相关系数来评价模型与两个观察者之间的相关性(相关性很好)R²> 0.9)。使用非参数signed Wilcoxon检验评估手动和自动路标位置之间的一致性(具有显著性值< 0.001)。对模型与观测器1之间以及两个观测器之间的面积和周长进行了Bland-Altman分析。

2．6．实现

所有的计算工作都在Titan的多核计算机上完成XP6000 gpu (NVIDIA Corporation, Los Alamitos, CA)。使用PyTorch v0.4.1开发模型和深度学习流水线[11］.

3.结果与讨论

3．1.结果

提出的方法训练了两个模型，并使用118例患者在互操作变异性研究中验证了检测阶段。通过使用相同的患者进行验证和观察者变异性评估，可以将该方法与两个观察者进行比较。

检测阶段包括深度学习阶段和后处理阶段。深度学习阶段通过比较预测的分割(模型)和使用骰子系数的两个观察者的分割来验证。模型和观察者1之间的平均Dice得分是96%，而模型和观察者2和观察者1和2之间的平均Dice得分是89%。模型和观察者1之间的平均Dice得分较高是预期的，因为模型是用观察者1的数据训练的。

后处理阶段从预测的分割得到面积和周长，并将预测的面积和周长与两个观测者的面积和周长进行比较验证。将模型预测的解剖测量值与两位观察者的数据进行比较，模型与两位观察者的面积测量值没有显著差异。所有测量值的平均成对差值约为零，这意味着预测的解剖测量值可以以与观察者1或2的输出相同的方式使用(表)1）.

模型与观测器1之间对面积(0.98)和周长(0.97)得到了很好的校正值。观测者1和2之间的区域(0.97)和周长(0.94)的相关值表明，人工方法是准确的(图3.）.

图中描绘了预测和测量的(观察者1)区域和周长的Bland-Altman图4和5．值得注意的是，当解释Bland-Altman图时，该模型是可重复的，因为每个病人连续的预测产生了相同的输出。

需要验证分割能力和面积和周长评估，以验证该方法预测正确的假肢大小(与两个观察者相比)的能力。预测的区域和周长用于检索Edwards Sapien 3和Medtronic Evolut TAVR假肢的尺寸。将自动选择的阀门通径与两个观察者的环形测量得出的阀门通径进行比较。模型和两个观察者对Edwards Sapien 3的一致率几乎相等:模型和观察者1之间的一致率为0.86，两个观察者之间的一致率为0.88。模型和两名观察者对Medtronic Evolut TAVR假体尺寸的一致率相似:模型和观察者1之间的一致率为0.89，两名观察者之间的一致率为0.86(图6）.

最后，报告手工和自动化方法的处理时间。从主动脉环面到分割、解剖测量、假体尺寸的自动处理时间小于1秒。

3．2.讨论

在这项工作中，提出了一个自动化的方法，以方便和优化术前TAVI计划。它基于多层螺旋ct图像自动预测主动脉环的面积和周长。该方法已在118例患者上进行了验证，结果表明，结合两种网络的结果，再经过后处理，可以自动、可重复、快速、准确地预测出面积和周长。人工获得的主动脉环测量值与自动预测值之间的差异类似于两个独立观察者之间的差异，这表明所提出的方法具有令人满意的准确性。这个区域和周长也被用来检索Edwards Sapien 3和Medtronic Evolute设备假肢的建议尺寸。自动确定的测量结果导致设备尺寸选择与操作员1根据他的测量选择的设备尺寸很好，这再次确认了足够的模型精度。从主动脉环面到假体尺寸的总分析时间小于1秒。

在文献中，也进行了类似的研究。Queirós等人提出了一种利用主动脉分割和统计形状模型从主动脉瓣环区域检测正确TAVI假体大小的方法[12］.他们的全自动方法检测到92%的假体尺寸，半自动方法检测到100%。这项单中心研究包括104例严重钙化、二尖瓣假体和起搏器的患者。作者引入了35毫米的重叠区域²和40毫米²在Edwards Sapien 3和XT的三种可用假肢尺寸之间。不幸的是，这种重叠区域使得评估该方法的真正预测能力和与我们的结果进行比较变得困难。此外，本研究未报道最终处理时间。

我们提出的方法基于一种不同的技术，在我们看来，比[12］.我们的研究包括主动脉瓣环周长和面积;因此，假体尺寸的选择可以扩展到周长和面积相关的设备。然后利用多中心数据对模型进行训练和验证，表明该模型对未知中心具有鲁棒性。为了遵循制造商的指南，没有使用重叠区域，并将方法输出的最终解释留给医生。最后，每个患者的处理时间约为1秒，这使得该方法快速。

该方法可以在数秒内检测出主动脉环面的面积和周长，在呈指数增长的市场中，这可能会对减少操作员分析时间和误差产生影响。如果将这种方法与自动主动脉环面检测方法结合起来，总的时间会大大缩短。除了减少分析的时间，因此，程序规划，医生节省时间，因为他/她从计划/分析中解放出来。此外，分析还涉及一个独立的自动化过程，该过程将增强输出质量。通过将该方法嵌入允许人工修正(例如，修正离群值)的软件中，可以降低TAVI的总成本。这种嵌入还可以产生一个持续的学习平台，在该平台上，经专家验证的新患者数据可以添加到训练数据集，从而改善未来的检测。

虽然提出的方法已被证明是可靠的，但目前的方法有一些局限性。在少数情况下，我们的模型预测的区域和个人观察者的预测区域之间仍然存在较大的差异。与观察者1相比，我们的模型最大的高估达到10%，最大的低估达到9%。然而，在这些情况下，观察者2倾向于与预测值一致(观察者2与模型之间的差异1%)。这可能表明该模型已推广到地面真理之外;换句话说，它已经学会了超越其老师的少数错误。预测周长和观察者1之间的最大差异与区域最大差异为同一患者(高估7%)。预测区域和观察者1之间的最小差异是5%的低估(3毫米的差异)。

值得注意的是，所提出的方法不是TAVI计划工具，也不打算取代介入心脏病专家。规划TAVI需要其他测量，但本研究未包括这些测量。这些测量包括从主动脉环平面到冠状动脉开口的距离、Valsalva窦面积、窦管连接处等，这些测量将在未来的工作中得到解决。前瞻性地衡量这种方法的影响也是很有趣的。

4.结论

总之，这项研究表明，使用该方法自动选择TAVI设备尺寸是快速、准确和可重复性的。与观察者间的可变性进行比较，显示了该策略的可靠性，并将基于深度学习的工具嵌入到术前计划程序中，有可能在确保准确性的同时提高效率。

数据可用性

用于支持本研究结果的统计数据可在要求时从通讯作者处获得。用于支持本研究结果的匿名图像数据是由FEops N.V.授权提供的，因此不能免费提供。

的利益冲突

Peter de Jaegere是美敦力公司的顾问。Johan Bosmans是美敦力公司的顾问。Ole De Backer一直是雅培公司的顾问。Matthieu De Beule和Peter Mortier是FEops的股东。乔妮·丹布尔和帕特里西奥·阿斯图迪略之间没有利益冲突。

致谢

我们要感谢两位工作人员所做的一切工作。所有的计算工作都是在Nvidia GPU Grant Program的Nvidia GPU上执行的。这项工作得到了欧洲委员会在“地平线2020”框架内通过MSCA-ITN-ETN欧洲培训网络(项目编号:MSCA-ITN-ETN)的支持。642458)。

补充材料

图1:深度学习架构的概述。图2:残余块的概述:输入被扩展到所需数量的过滤器，使用卷积2D层，内核大小为1。经过一系列核大小为3的卷积层后，批处理归一化[3.]，以及ReLU激活功能[4，输出与第一卷积层的输出求和，然后是最后一个ReLU激活函数。表1:培训细节。所有超参数通过对训练集进行k倍交叉验证得到k= 5)和一个固定的随机种子。表2:数据增强细节。所有参数以相似的方式获得作为训练细节。（补充材料）

参考文献

1. C. R. Smith, M. B. Leon, M. J. Mack等人，“高危患者的经导管与手术主动脉瓣置换术”，新英格兰医学杂志，第364卷，no. 223, pp. 2187-2198, 2011。视图:出版商的网站|谷歌学者
2. M. B. Leon, C. R. Smith, M. J. Mack等，“经导管或外科主动脉瓣膜置换术在中危患者中的应用，”新英格兰医学杂志第374卷17, pp. 1609-1620, 2016。视图:出版商的网站|谷歌学者
3. M. J. Reardon, N. M. Van miieghem, J. J. Popma等，“手术或经导管主动脉瓣膜置换术在中危患者中的应用，”新英格兰医学杂志，第376卷，no. 214, pp. 1321-1331, 2017。视图:出版商的网站|谷歌学者
4. J. J. Popma, G. M. Deeb, S. J. Yakubov等，“经导管主动脉瓣置换术在低风险患者中的应用”，新英格兰医学杂志第380卷第2期18，第1706-1715页，2019。视图:出版商的网站|谷歌学者
5. M. J. Mack, M. B. Leon, V. H. Thourani等，“经导管主动脉瓣置换球囊可膨胀瓣膜在低风险患者中的应用”，新英格兰医学杂志第380卷第2期18，页1695-1705,2019。视图:出版商的网站|谷歌学者
6. A. P. Durko, R. L. Osnabrugge, N. M. Van miieghem等，“每个国家每年经导管主动脉瓣植入术的候选人数:目前的估计和未来的预测，”欧洲心脏杂志》上第39卷第3期28, pp. 2635-2642, 2018。视图:出版商的网站|谷歌学者
7. A. M. Kasel, S. Cassese, S. Bleiziffer等，“主动脉环大小的标准化成像，”JACC:心血管成像，第6卷，第2期2, pp. 249-262, 2013。视图:出版商的网站|谷歌学者
8. O. Ronneberger, P. Fischer，和T. Brox，“U-net:卷积网络用于生物医学图像分割”，计算机科学课堂讲稿， vol. 9351, pp. 234-241, 2015。视图:出版商的网站|谷歌学者
9. 何凯，张昕，任舜，“基于深度残差学习的图像识别”IEEE计算机学会计算机视觉与模式识别会议论文集2016年12月，印度巴特那，第770-778页。视图:谷歌学者
10. J. Canny，《边缘检测的计算方法》，模式分析与机器智能学报PAMI-8, no。6，第679-698页，1986。视图:出版商的网站|谷歌学者
11. A. Paszke, S. Gross, S. Chintala等第31届神经信息处理系统会议论文集，美国加州长滩，2017年12月。
12. S. Queirós, C. Dubois, P. Morais等人，“计算机断层扫描在经导管主动脉瓣植入计划中的自动3D主动脉环大小”，心血管计算机断层摄影杂志，第11卷，第5期。1, pp. 25-32, 2017。视图:出版商的网站|谷歌学者

版权

版权所有©2019 Patricio Astudillo等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。