深度学习和光声学技术让心脏手术更安全

心血管疾病在全球死亡原因中名列前茅，心脏介入治疗也同样非常普遍。例如，用于治疗心律失常的心脏导管消融术，仅在美国每年就有数万例。在这些手术中，外科医生将一根被称为导管的细软管插入腿部股静脉，然后向上到达心脏，在那里使用冷或聚焦辐射破坏有问题的组织。

尽管基于导管的心脏手术被认为是微创手术，但导管尖端的位置必须得到仔细监测和控制，以防止对心脏造成损伤。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，这种方法会使患者和医务人员暴露在电离辐射下，从而导致癌症或先天缺陷风险增加等问题。

引导心脏导管的另一种方法是光声成像。在这种方法中，使用连接到导管上的光纤发射短激光脉冲，同时由一个特殊的信号转换器接收随后在心脏内产生的超声波。

以这种方式生成的光声图像可用于引导机械臂操纵心脏导管，从而提高精确度并将风险降至最低。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，很容易受到反射伪影等误差的影响。由美国约翰霍普金斯大学惠廷工程学院Muyinatu A. Lediju Bell领导的研究小组一直致力于解决这一问题。

引导心脏导管的光声方法包括使用连接到导管上的光纤发射短激光脉冲，同时由一个特殊的信号转换器接收随后在心脏内产生的超声波。用活猪进行的实验证明了深度神经网络与光声成像相结合的潜力。这种模型可以帮助机械臂在心脏介入过程中仔细控制心脏导管的位置

新方法
据发表在《生物医学光学杂志》（Journal of Biomedical Optics）上的一项新研究报告，他们利用机器学习开发出了一种通过光声成像定位心导管的新方法。研究人员建议使用深度卷积神经网络（CNN）在光声学图像中精确定位心脏导管尖端的位置。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运行，这就需要数小时的人工图像采集和标注。

“为了规避这个问题，研究小组转而使用模拟数据，”Bell说：“我们用模拟信道数据帧来训练网络，并对这些数据帧进行了格式化，以适应光声传感器的视场，包括多种噪声水平、信号振幅和声速，从而确保对信道噪声、目标振幅和声速差异的鲁棒性。”

为了提高CNN的鲁棒性，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名为“直方图匹配”的额外处理步骤，以进一步提高模型的性能。在这一步骤中，他们自动修改获取的图像，使其看起来与用于训练CNN的模拟图像相似。

通过分别对切除的猪心和活猪进行体内外实验，研究小组展示了基于深度学习的方法的卓越性能。导管尖端的位置误差非常小，大部分误差甚至小于光声信号传感器的分辨率。在目标深度为20-100毫米时，网络的欧氏误差为1.02±0.84 毫米。此外，它还表现出很高的性能指标，精确度、召回率和F1分数高达100%。

“我们的结果表明，所提出的方法具有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，并具有在这些程序中取代透视检查的广泛潜力。”贝尔对研究结果表示满意。总之，这项研究可以为需要导管的更安全的心脏介入铺平道路，帮助医生和患者共同对抗心脏病。