高分辨率網絡評估X線攝影中輸液港導管尖端位置的應用研究

聶傳奇，寧周雨

復旦大學附屬腫瘤醫院中西醫結合科，復旦大學上海醫學院腫瘤學系，上海 200032

靜脈輸液港的安裝已成為靜脈化療的常用方法，安裝輸液港的過程之一是將導管插入上腔靜脈。對于輸液港而言，正確放置導管尖端是至關重要的，與中心靜脈導管的情況類似，導管尖端的位置不當可能會引起血栓或心率失常［1］，主流方案建議將其放置在上腔靜脈和右心房的交界處（cavoatrial junction，CAJ）［2］。對于導管尖端的定位方法，雖然有研究［3-4］提出通過超聲或心電圖來對導管尖端進行定位，但通過X線攝影來定位仍然是最為精確且可靠的方法。在胸片上可通過靠近氣管隆突下方的第二個椎體單位進行影像學識別［5-6］。然而，確定導管尖端的正確位置目前依賴于手術醫師的主觀判斷，同時在手術過程中反復調整導管位置會使患者受到更高的輻射劑量并延長手術時間，因此需要在手術過程中及時、準確地指示導管放置。另一方面，近年來隨著硬件算力的不斷增強，人工智能技術促進了包括智能醫學影像在內的多個領域的發展。作為人工智能技術的重要部分，深度學習在輔助診斷等醫學影像方面的研究與應用越來越多［7］。本研究旨在設計一種使用深度學習中關鍵點檢測技術對輸液港導管尖端深度進行自動檢測并提供最佳放置距離的系統，并探討其應用價值。

1 資料和方法

1.1 臨床資料

回顧并選取2019年10月—2021年12月于復旦大學附屬腫瘤醫院浦東院區DSA室接受輸液港安裝患者520例，曝光圖像共562張。排除其中呼吸、運動偽影過于嚴重的圖像以及導管異位的圖像，最終選取圖像530張，使用圖像均不包含患者的個人信息。

1.2 方法

所有患者均使用荷蘭Philips公司的UNIQ FD20型X線造影系統攝影獲取圖像?；颊呷⊙雠P位，在平靜呼吸狀態下對患者胸部進行單次曝光。曝光參數：管電壓85 kV，管電流6～23 mA。使用random隨機函數將530張圖像（6∶2∶2）分為訓練集（n=318）、驗證集（n=106）和測試集（n=106）。這些圖像由經驗豐富的影像科醫師進行標注。根據輸液港安裝中導管尖端以及CAJ在影像學上的特征，將導管尖端、氣管隆突、氣管隆突下第二個椎體的上下兩個相鄰的椎間隙（最佳置管區域）在訓練集、驗證集和測試集中為每個圖像進行關鍵點標注，且每個關鍵點以（x，y）坐標表示。圖像的標注工作采用開源標注工具LabelMe［8］進行處理。

1.3 圖像處理

為了通過圖像自動評估導管尖端的位置，本研究提出的系統框架主要由兩部分組成。

第一部分為關鍵點檢測模型的訓練，該模型采用自上而下的檢測方案。首先對圖像中的關鍵部分使用Faster-RCNN算法［9］進行目標檢測，目標范圍為包含有導管尖端，以及氣管及氣管隆突和氣管隆突下一部分椎體的區域。在該區域內進一步使用改進型高分辨率網絡（high-resolution network，HRNet）算法［10］檢測關鍵點位置并生成高斯分布的熱圖，通過DARKPose［11］對熱圖的編碼與解碼將熱圖中最高密度點以精確坐標的方式回歸到圖像中并形成關鍵點連接骨架。模型訓練使用基于PyTorch的開源工具箱MMPose來進行，根據顯卡的顯存大小設定批尺寸（batchsize）為8，學習率和權重衰減因子分別設置為0.000 1和0.005，設定迭代次數（epoch）為230。

第二部分根據第一部分中檢測到的4個關鍵點來預測導管尖端位置的適當性。針對4個關鍵點的坐標建立距離與角度的特征向量，根據特征向量將圖像分為3類，分別為置管過淺、導管尖端處于適當位置、置管位置過深。同時計算導管尖端與最佳置管區域的垂直距離并以比例因子0.256 8從像素距離轉換為毫米距離輸出以準確確定導管深度。

1.4 統計學處理

分別測量模型預測的4個關鍵點坐標與實際標注（ground truth，GT）坐標的距離誤差，以及模型預測的導管尖端與最佳置管區域的垂直距離與GT的距離誤差，計算平均誤差與標準差、中位數與四分位距。另外，對置管深淺的分類結果評價使用多分類混淆矩陣，同時計算準確度、精確度、靈敏度、特異度和F1分數，此外還確定了每個指標的95% CI。

2 結 果

本研究共對106張胸部X線攝影圖像進行測試并評估性能，圖1為模型預測的關鍵點示例。

圖1 具有代表性的檢測結果

模型預測的結果和實際標注數據誤差統計如表1所示，其中4個關鍵點的整體誤差為（3.882±6.568）mm。

表1 關鍵點和導管尖端與上下椎間隙的距離誤差

表2表示模型預測的分類結果與GT的實際分類得到的關于置管位置的多分類混淆矩陣和統計結果。其中模型分類的總體準確度、精確度、靈敏度及特異度分別為0.925（95% CI 0.890～0.949）、0.887（95% CI 0.813～0.934）、0.887（95% CI 0.813～0.934）及0.943（95% CI 0.904～0.967）。

表2 多分類混淆矩陣與分類效能結果

3 討 論

當前，以深度學習為核心的智能醫學影像具有廣闊的應用前景。智能影像技術通過深度學習算法促進了自動圖像分析、計算機輔助診斷和預測建模等諸多方面的發展。這些工具能夠提高診斷的準確度和效率，減少人為的失誤，使智能醫學影像成為了熱門的研究領域和重點產業［12］。而對于使用深度學習技術在X線圖像中對靜脈導管的定位進行檢測目前已經有一些研究成果。Yu等［13］進行的一項研究利用U-net算法對胸片進行圖像分割，并在識別外周中心靜脈導管（peripherally inserted central venous catheter，PICC）尖端方面取得了出色的成果。Jung等［14］的另一項研究在對PICC與氣管進行圖像分割的基礎上進一步使用Effnet算法通過中心靜脈導管和氣管的圖像分割對導管插入深度進行分類，最終實現了較高的分類精度。這些研究表明以深度學習技術為出發點的智能醫學影像在提高醫療程序的準確度和效率方面具有巨大潛力，能為臨床醫師提供準確且可靠的置管信息，以改善治療結果并降低并發癥的風險。

本研究針對如何利用改進型HRNet關鍵點檢測算法在X線攝影圖像中確定輸液港導管尖端的位置與最佳置管位置的關系進行了研究。本研究根據輸液港安裝中導管尖端定位評估的臨床實踐，對每張胸部X線攝影圖像確定了導管尖端、氣管隆突以及與氣管隆突下第二個椎體上下相鄰的兩個椎間隙4個關鍵點。通過對106張圖像的測試結果表明，利用改進型HRNet算法結合DARKPose的編碼與解碼對輸液港導管尖端位置的定位和預測有很高的準確度。其中在對計算導管尖端到上下兩個椎間隙的距離誤差的結果中可以看到，對導管尖端與最佳置管區域的預測距離與GT的結果的誤差分別為（6.6±8.7）mm和（4.2±6.1）mm。造成誤差的主要原因是模型對導管尖端的關鍵點的檢測能力較弱，容易產生如圖1D中的情況進而對分類結果造成影響。從分類結果的分析也可以看出，該方案的總體準確度為92.5%，特異度與靈敏度分別為94.3%和88.7%，表明本研究所提出的以深度學習為基礎的人工智能系統能夠為手術醫師在輸液港的安裝過程中置管位置提供有價值的建議。

本研究仍有一定的局限性。首先是樣本數量相對較少，增加深度學習的數據量對提高檢測的準確度和魯棒性有相當大的作用。例如，在一項利用卷積神經網絡對氣管插管位置進行判斷的研究［15］中，用于訓練的胸片數量達到了17 000張，并達到了很高的準確度。此外本研究僅對在正常仰臥位平靜呼吸的狀態下輸液港導管尖端的位置進行了分析，而現有研究表明輸液港導管尖端的深度與患者的手臂運動和呼吸密切相關［16］，關于手臂運動或呼吸對導管深度的影響本研究未進一步討論，這也是后續研究中需要考慮到的問題。

綜上所述，利用改進型HRNet算法在對X線攝影圖像中輸液港的導管尖端和置管位置進行關鍵點檢測同時對置管深度進行分類并測量的方法是可行且有效的，本研究表明在安裝輸液港的過程中使用關鍵點檢測技術對提高置管質量有巨大的潛力。