编辑推荐：
冠心病（CAD）严重威胁全球健康，现有诊断技术存在不足。研究人员开展基于深度学习的冠状动脉分割与狭窄检测研究，提出新框架。DenseSelfU-Net 模型分割效果佳，DenseSelfMA-Net 模型定位精准。这为早期 CAD 诊断带来希望，助力临床实践。
在当今社会，心血管疾病已成为威胁人类健康的 “头号杀手”，其中冠心病（Coronary Artery Disease，CAD）更是最为常见的一种。它如同潜伏在人体中的 “定时炸弹”，每年无情地夺走 1780 万人的生命，在美国，每 4 个死亡病例中就有 1 例是由冠心病导致的。在孟加拉国，城市和农村地区的患病率差异巨大，城市高达 19.6%，农村也在 1.85% - 3.4% 之间。
冠心病的罪魁祸首是冠状动脉壁上的斑块堆积。这些冠状动脉就像给心脏输送 “燃料” 的管道，一旦被斑块堵塞，血液流动受阻，心脏得不到充足的氧气，各种健康问题便接踵而至。在临床诊断中，X 射线血管造影是诊断冠心病的主要手段，它能帮助医生观察冠状动脉的结构。然而，这项技术却面临着诸多挑战。X 射线血管造影的图像对比度低，呼吸和心跳产生的运动伪影，以及脊柱、导管带来的叠加效应，都让图像变得模糊不清。而且，血管的三维结构投影到二维图像上后，血管错综复杂，相互交叉，这使得准确分割冠状动脉变得异常困难。
传统的血管造影图像分割技术，如区域生长法和基于滤波器的方法，难以区分导管、骨骼结构和血管等相互接触的物体，手动调整不仅耗时，还难以保证准确性。虽然卷积神经网络（Convolutional Neural Networks，CNNs）在图像分割领域取得了一定进展，尤其是基于 U - Net 架构的模型表现出色，但它们也存在局限性，比如容易产生误判，且依赖线性神经元模型。在狭窄检测方面，传统机器学习方法步骤繁琐，深度学习算法应用也受到限制，现有的检测方法难以精确确定狭窄的位置和严重程度。
为了解决这些难题，研究人员踏上了探索之路。他们开展了一项旨在提升冠状动脉分割与狭窄检测精度的研究，希望借助新型深度学习技术，为冠心病的诊断带来新的突破。研究成果发表在《Biomedical Signal Processing and Control》上。
在研究中，研究人员运用了多种关键技术方法。一方面，他们以 DenseNet121 作为编码器，将自组织神经网络（Self - Organizing Neural Networks，Self - ONN）融入 U - Net 架构的解码器，构建了 DenseSelfU - Net 模型用于冠状动脉分割。另一方面，把 Self - ONN 集成到多尺度注意力网络（Multi - Scale Attention Network，MA - Net）的关键组件中，包括多尺度融合注意力模块（Multi - Scale Fusion Attention Block，MFAB）和逐位注意力模块（Position - wise Attention Block，PAB），形成 DenseSelfMA - Net 模型来定位狭窄区域。此外，研究人员还利用外部数据集的序列帧数据进行了外部验证，以评估模型的泛化能力。
下面来看具体的研究结果：
- 全动脉分割：DenseSelfU - Net 架构在全动脉分割中表现卓越。通过将 Self - ONN 与 DenseNet121 架构相结合，该模型在处理嘈杂、低对比度的 X 射线冠状动脉血管造影图像时游刃有余。在 ARCADE Challenge 数据集上，它的交并比（IoU）达到了 82.52%，骰子系数（Dice Score，DSC）为 90.35%，超越了 DenseNet121_U - Net、DenseNet121_MA - Net 等架构以及其他前沿方法。这表明该模型能够精准地分割出整个冠状动脉，为后续的诊断提供了可靠的基础。
- 狭窄定位：DenseSelfMA - Net 模型在狭窄定位方面发挥了重要作用。将 Self - ONN 集成到 MA - Net 的关键组件中后，模型可以通过局部和全局依赖关系捕捉复杂的血管模式。在 ARCADE 挑战数据集上，对于 MFAB 和 PAB 配置，该模型的骰子系数分别达到了 60.59% 和 60.36%，交并比分别为 46.09% 和 45.36% 。这一成果意味着研究人员能够更准确地定位动脉结构中受狭窄影响的区域。
研究结论和讨论部分进一步强调了此次研究的重要意义。在冠状动脉分割方面，DenseSelfU - Net 架构展现出了高精度，能够有效处理小血管，在复杂的血管造影图像中可靠地分割出冠状动脉。而在狭窄定位上，DenseSelfMA - Net 模型也取得了不错的成绩。这些研究成果表明，Self - ONN 在提高诊断精度方面效果显著，为早期冠心病诊断提供了有力支持，有望在临床实践中得到广泛应用，帮助医生更准确、更及时地发现冠心病，为患者的治疗争取宝贵时间，改善患者的预后。不过，研究也存在一定局限性，例如研究仅基于单帧图像，缺乏序列帧的时间信息。未来的研究可以朝着利用多帧图像、优化模型性能等方向展开，进一步推动冠心病诊断技术的发展，为人类健康事业做出更大贡献。
