使用深度学习处理原始光声通道数据并指导心脏干预

心血管疾病是世界范围内最主要的死亡原因之一，心脏介入治疗也同样非常常见。例如，仅在，用于治疗心律失常的心导管消融手术每年就有数万起。在这些手术中，外科医生将一根称为导管的细柔性管插入腿部的股静脉，并向上引导至心脏，使用冷辐射或聚焦辐射破坏有问题的组织。

尽管基于心导管的手术被认为是微创的，但必须仔细监测和控制导管尖端的位置，以防止损害心脏。在大多数情况下，外科医生依靠透视来定位和引导导管尖端。然而，这种方法使患者和医务人员都暴露在电离辐射下，这可能导致癌症或出生缺陷风险增加等问题。

另一种引导心导管的方法涉及光声成像。在这种方法中，使用连接到导管的光纤传送短激光脉冲，同时特殊的信号传感器拾取心脏内产生的随后的超声波。以这种方式生成的光声图像可用于引导机械臂操纵心导管，以提高精度并最大限度地降低风险。然而，用于自动检测这些图像中靠近导管尖端的光声源的算法很容易出现反射伪影等错误。

约翰·霍普金斯大学怀廷工程学院副教授 Muyinatu A. Lediju Bell 领导的研究小组一直致力于解决这一问题。正如《生物医学光学杂志》上发表的一项新研究报道 ，他们利用机器学习开发了一种通过光声成像进行心导管定位的新方法。

研究人员建议使用深度卷积神经网络(CNN)来精确定位光声图像中心导管尖端的位置。然而，深度神经网络需要在非常大的数据集上进行训练才能正确执行，这将需要数小时的手动图像采集和注释。为了解决这个问题，团队转向模拟数据。“我们使用模拟通道数据帧来训练网络，这些数据帧经过格式化以适应光声换能器的视场，包括多个噪声水平、信号幅度和声速，以确保针对通道噪声、目标幅度和声速差异的鲁棒性，”贝尔说。为了使 CNN 更加稳健，训练数据集还包括带有伪影的模拟图像。

研究人员引入了一个称为“直方图匹配”的额外处理步骤，以进一步增强模型的性能。在这里，他们自动修改获取的图像，使它们看起来与用于训练 CNN 的模拟图像相似。

通过 分别对离体 猪心脏和活猪进行离体和 体内 实验，该团队展示了基于深度学习的方法的令人印象深刻的性能。导管尖端的位置误差非常小;其中大多数甚至小于光声信号传感器的分辨率。对于 20-100 毫米的目标深度，网络实现了 1.02 ± 0.84 毫米的欧几里德误差。此外，它还表现出了出色的性能指标，准确率、召回率和 F1 分数高达 100%。“我们的结果证明了所提出的方法在未来介入心脏病学和心脏电生理学应用中识别光声源的潜力，并且在这些手术过程中具有更广泛的替代荧光检查的潜力，”贝尔对结果感到满意说。

总体而言，这项研究可以为需要导管的更安全的心脏干预措施铺平道路，帮助医生和患者对抗心脏病。

标签：

版权声明：本文由用户上传，如有侵权请联系删除！