基于深度学习的三维U-Net模型在无造影心脏CT中实现左心耳精准分割与定量分析

《Journal of Cardiovascular Imaging》：Deep learning models for segmentation and quantification of left atrial appendage volume using noncontrast cardiac computed tomography

本研究针对非造影心脏CT（NCCT）中左心耳（LAA）精准分割与容积定量难题，开发并验证了四种基于U-Net的深度学习模型（UNet3D、Residual-UNet3D、3D Attention-UNet和Res16-PAC-UNet）。研究结果显示，所有模型均展现出优异的解剖分割精度（Dice系数77.68–79.07）和容积测量一致性（Pearson相关系数最高达0.800），且平均推断时间仅需2秒。该技术为心血管风险分层和治疗规划提供了快速、可靠的自动化工具，显著提升了NCCT在LAA评估中的临床应用价值。

　　

在心血管疾病诊疗领域，左心耳（Left Atrial Appendage, LAA）作为一个形态复杂、功能特殊的结构，一直是临床关注的焦点。它是心房颤动（Atrial Fibrillation, AF）患者心脏内血栓形成的主要部位，其形态异常和容积增大与卒中风险显著相关。因此，对LAA进行精确的形态学和容积评估，对于血栓栓塞风险的早期预警和左心耳封堵术等治疗方案的制定至关重要。

然而，在常规心脏影像学检查中，LAA的评估常常被忽视。这主要是由于其解剖结构变异大、形态不规则，传统的手工分割方法耗时耗力，且高度依赖操作者的经验，导致结果可重复性差。目前，临床上的金标准评估多依赖于对比剂增强的冠状动脉CT血管成像（Coronary Computed Tomography Angiography, CCTA），但这不仅增加了患者的碘造影剂暴露风险和检查成本，也不适用于肾功能不全等禁忌症患者。相比之下，非造影心脏CT（Noncontrast Cardiac Computed Tomography, NCCT）作为一种更安全、更普及的检查手段，广泛用于冠状动脉钙化积分评估，但其在LAA等精细结构分析中的应用潜力却因缺乏高效的自动化工具而远未发掘。

近年来，深度学习（Deep Learning, DL），特别是卷积神经网络（Convolutional Neural Networks, CNNs）在医学图像分析中取得了突破性进展。其中，U-Net及其变体因其独特的编码器-解码器结构和跳跃连接，在保留图像空间细节方面表现出色，已成为医学图像分割任务的主流架构。将这类先进的深度学习模型应用于NCCT，实现LAA的自动化、精准化分析，有望打破当前的技术瓶颈，使LAA评估能够常规、便捷地整合进临床工作流。

为此，由Daniel Augusto Message Santos和Lucas de Oliveira Teixeira作为共同第一作者、Luciano de Andrade作为通讯作者的研究团队，在《Journal of Cardiovascular Imaging》上发表了他们的最新研究成果。该研究旨在系统性地评估四种基于三维U-Net的深度学习模型（UNet3D、Residual-UNet3D、3D Attention-UNet和Res16-PAC-UNet）在NCCT图像上对LAA进行半自动分割和容积测量的性能。

关键技术方法概述

本研究回顾性分析了452名年龄≥60岁因胸痛接受评估患者的NCCT图像。首先，由经验丰富的心脏病专家根据专家共识对LAA进行手动分割，作为金标准。随后，研究团队训练并比较了四种三维深度学习模型。图像经过预处理（重采样至128x128x64体素，强度标准化至50-350 Hounsfield单位）和数据增强后，采用五折交叉验证策略进行模型训练。模型性能通过Dice相似系数（Dice Coefficient）评估分割精度，通过Pearson相关和Bland-Altman分析评估容积测量的一致性。

研究结果

1. 左心耳分割精度

四种深度学习模型在LAA分割任务上均表现出色。其中，3D Attention-UNet取得了最高的Dice系数（79.07 ± 1.43），表明其分割结果与专家手动标注的空间重叠度最佳。Residual-UNet3D的表现紧随其后（78.97 ± 0.79），并且其标准差最小，说明其分割结果最为稳定。标准的UNet3D和Res16-PAC-UNet也取得了可接受的结果，Dice系数分别为78.44 ± 1.93和77.68 ± 1.47。统计检验表明，四种架构的性能无显著统计学差异，证明了这些模型在分割LAA这一复杂结构时均具有可靠的准确性。

2. 容积测量一致性

除了空间分割的准确性，容积测量的可靠性对于临床应用更为关键。Pearson相关分析显示，所有模型预测的LAA容积与手动测量的参考值之间均存在强线性相关（P < 0.001）。3D Attention-UNet再次表现出最优的相关性（r = 0.800）。Bland-Altman分析进一步证实了这种良好的一致性，所有模型的平均偏差（bias）均非常小（范围在-0.24 mL至+0.14 mL之间），且95%一致性界限（limits of agreement）较窄。

3. 可视化示例

从代表性的轴位CT切片可以直观地看到模型分割的效果。例如，3D Attention-UNet的预测结果（红色）与专家的手动标注（蓝色）在LAA的边界上高度吻合，而重叠图（绿色区域）则清晰地显示了两者之间广泛的一致性，仅在边缘细微处存在微小差异，这从视觉角度印证了定量评估的高精度。

研究结论与意义

本研究成功地证实了基于深度学习的三维U-Net架构能够利用常规采集的NCCT图像，实现LAA的快速、准确、可重复的分割和容积定量。这种方法避免了使用碘造影剂，使得LAA的评估可以更安全、更广泛地应用于包括肾功能不全患者在内的更多人群。相比于手动分割需要10-20分钟，深度学习模型将处理时间缩短至约2秒每例，效率提升超过60倍，这为将LAA评估整合到大规模的临床筛查或科学研究中扫清了效率障碍。

尽管研究存在一些局限性，如单中心回顾性设计、图像采集时相（心室中期）可能低估LAA最大容积、以及缺乏外部验证等，但其结果无疑具有重要的启示意义。它展示了人工智能在挖掘常规医学检查“潜在价值”方面的巨大能力——即从原本用于特定目的（如钙化积分）的图像中，提取出额外的、具有临床价值的信息（如LAA形态学）。

未来，随着更多前瞻性、多中心研究的开展，以及模型在包含血栓检测等更复杂任务上的进一步验证，这种基于NCCT和深度学习的LAA分析方案，有望成为心血管风险分层、心房颤动患者管理和左心耳介入治疗规划中一个强有力的辅助工具，推动心血管医学向更精准、更高效、更普惠的方向发展。