【论文阅读 03】机器学习算法在颈动脉斑块影像学分类中的研究进展

读完之后就是，总结 机器学习（SVM、小波）和深度学习（CNN）在 颈动脉斑块影像学中的 分类效果。只讨论了超声、磁共振两种成像
 

Chin J Clin Neurosci 临床神经科学杂志

复旦大学

颈动脉斑块( carotid plaques) 是一种由于颈动脉血 管壁受损导致血液有形成分聚集而成的团块状结构， 可由不同数量的脂质、出血和钙化组成，是颈动脉发生 粥样硬化的明显特征［1］。

 关于颈动脉斑块的识别和成分判断，临床上主要 依赖医生基于颈部影像进行肉眼识别做出的诊断。近 年来，随 着 人 工 智 能 的 发 展，“机 器 学 习 ( machine learning) ”算法开始应用于颈动脉斑块的研究，并展现 出巨大潜力和应用前景。通过自动识别并勾勒颈动脉 斑块、以及判断斑块内主要成分，一些机器学习算法展 现了与临床医生相近的诊断效果，为未来辅助影像诊 断奠定了基础，有助于降低医生工作量、减轻医疗负 担。文中就机器学习算法在颈动脉斑块分类中的研究 现状进行综述。

机器学习在颈动脉斑块分类研究中的应用

临床用于诊断颈动脉斑块的影像学方法主要包括
超声 ( ultrasound，US ) 
计算机断层扫描血管造 影( computed tomography angiography，CTA) 
磁共振成像( magnetic resonance imaging，MＲI) 
数字减影血管 造影( digital subtraction angiography，DSA)

图 2 使用机器学习研究颈动脉斑块影像的整体流程

机器学习算法主要 基于 US 和 MＲI，而用于对 CTA 和 DSA 的研究则相对 缺乏。

这些研究中应用 最多的机器学习分类方法是 SVM。2016 年以后随着深 度学习算法的兴起，更多的研究转变是采用 CNN 方法 进行分类。

2. 1 基于 US 图像的机器学习分类研究

Acharya 等［18］使用离散小波变换与平均算法的组合进行特征提取，最后选择能量与平均水平及垂直 DWT 系数作为特 征，基于 SVM 分类器对其进行分类，对于有无斑块的鉴别准确率达到 83. 7%

离散小波变换（Discrete Wavelet Transform，DWT）是一种信号处理技术，用于将信号解成不同频率的子信号。它是小波变换在离散时间域上的实现。

离散小波变换通过信号与一组小波基函数进行卷积运算来现信号的分解和重构。小波基函数是一组具有特定频率和时间局限性的函数，可以用于表示不同频的信号成分。与傅叶变换相比，小波变换具有更好的时局部化特性，够更准确地描述号的瞬时特征。

离散小波变换信号分解为低频分（近似系数）高频部分（细节系）。低频部分含信号的整体趋势和较低频率成分，而高部分包含信号的细节和较高频率的分。通过多级解，可以进一步信号分解不同尺度子信号。

离散小波变换在许多领域中被广泛应，如信号处理图像压缩、数据压缩、模式识别等。它可以提取信号特征、去除噪、压缩数据等，具有很的适应性和灵活性。

 另外一些研究则侧重于机器学习分类算法的改进。 Latifoglu 等［19］基于 114 例图像数据，使用一种新的基于 主成分分析( principal component analysis，PCA) 和 K-NN 的加权预处理和人工免疫识别系统( artificial immune recognition system，AIＲS) 的医学诊断系统。结合 3 种算法，在分辨有无颈动脉粥样硬化症状的准确率达到 100%，优于其他研究成果。

2. 2 基于 MＲI 图像的机器学习分类研究

Clarke 等［37］( 2006) 研究提出采用最大似然分类 法( maximum likelihood classification，MLC) 进行 MＲI 的 颈动脉斑块成分识别，基于像素将斑块成分分为 5 类: 纤维组织、疏松结缔组织、坏死核心、出血和钙化，得 到( 78 ± 15) % 的整体精确度。

Van’t Klooster 等［38］( 2012) 提出在手动勾画出血 管外壁和内腔的前提下，采用线性判别分类器( linear discriminant classification，LDC) 区分钙化、脂质、纤维组 织或出血，对 20 例患者的图像进行分类器训练，并且 在 40 例患者的图像中进行验证，结果对于钙化，出血 和脂质核心，相对专家勾画结果，分别给出了 80% 、 82. 5% 和 97. 5% 的一致性。同样用到线性判别分类器 的还有 Van Engelen 等［39，40］。

Van Engelen 等［41］( 2015) 提出了一种特征归一化 方法，解决不同中心和不同成像序列间的非线性差异， 并根据其他学者的研究［42，43］提出了两种与线性判别分 类一起使用的“迁移学习”方法。迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法，目的是迁移已有的知识解决目标领域 中仅有少量甚至无有标签样本数据的学习问题。结果 对于纤维、脂质、钙化和出血分别得到了 0. 95、0. 73、 0. 72、0. 95 的组内相关系数，平均准确率达到 90% 。

近 年 来，CNN 也 开 始 应 用 于 MＲI 图 像。Dong 等［44］( 2017) 提出基于 3 种新提出的 CNN 模型改进构 建 的 新 模 型: GoogleNet［45］、VGG-16［46］ 和 ＲesNet101［47］，随机选取 1 098 例图像中的 20% 作为测试集， 其余用作训练网络。结果 ＲesNet-101 得到 0. 933 的准 确率，尤其对纤维组织的识别精度达到 0. 951