A Hybrid CNN-Transformer Framework for Robust Coronary Artery Stenosis Detection in X-ray Angiography

心脏病仍然是全球范围内的首要死因，而问题的核心往往在于供应心脏肌肉的动脉变窄。这种被称为冠状动脉狭窄的情况，是由于脂肪沉积物和钙质在血管壁内堆积，从而限制了富含氧气的血液流动。如果这种狭窄未被发现或未得到治疗，可能会导致心肌梗死。目前，医生依靠 X 线血管造影术来观察这些动脉内部。在这一过程中，对比剂被注入血液中，使血管在 X 线屏幕上清晰可见。然而，解读这些图像非常困难。图像通常颗粒感很重，充满了来自肋骨和脊椎等骨骼的阴影，并且充斥着各种医疗器械。解读这些图像需要人类专家仔细观察每一帧画面，这个过程缓慢、令人疲劳，且容易产生人为错误。

为了帮助医生，科学家们转向了人工智能，特别是被称为“深度学习”的一种计算机程序。多年来，执行此类任务最成功的程序是基于一种被称为“卷积神经网络”（CNN）的技术构建的。这些程序非常擅长捕捉局部细节，例如血管壁的锐利边缘或特定的纹理。然而，它们难以理解全局图景。由于它们过度专注于细小的、邻近的像素，常常会被嘈ло的背景所迷惑，将肋骨或导管误认为是阻塞的动脉。它们缺乏退后一步观察整个血管路径以理解其真实形状的能力。一种被称为“Transformer”的新技术解决了这个问题，它允许计算机同时观察整个图像，权衡每一部分相对于其他所有部分的重要性。挑战在于如何将旧技术的速度与新技术的全局理解能力结合起来。

在这项研究中，来自伊朗几所医科大学的研究人员提出了一种新的解决方案，将这两种方法融合在一起。他们开发了一个混合框架，使用实时检测 Transformer（RT-DETR）来寻找 X 线图像中的阻塞动脉。该系统并非依赖单一类型的计算机视觉，而是使用一个标准网络来抓取图像的精细细节，然后将这些信息传递给一个 Transformer 模块。第二个模块充当类似于“全局地图”的角色，帮助计算机区分真实的阻塞与肋骨或脊柱投下的干扰性阴影。其目标是创建一个不仅高度准确，而且足够快到可以在医疗手术过程中实时使用的工具。

团队使用从 100 名不同患者身上采集的 8,325 幅 X 线图像的大型集合训练了他们的系统。这些图像来自俄罗斯的一家研究机构，包含了不同的分辨率和噪声水平等各种现实世界的状况。为了教计算机如何处理这些困难的图像，研究人员使用了一种技术，即将四幅不同的图像拼接成一张大的训练图片。这迫使系统学习如何在复杂的杂乱背景中识别微小的阻塞。他们还使用了另一种方法，通过将成对的图像混合在一起来创建新的虚拟样本，从而帮助计算机增强对医学扫描中随机噪声的鲁棒性。

当研究人员将他们的新框架与现有方法进行对比测试时，结果显而易见。该混合模型的检测准确率达到了 97.8%，高于以往仅依赖旧技术的顶尖模型。其中最显著的改进之一是在发现微小阻塞方面。新系统正确识别了 59.2% 的微小病变，相比于之前领先模型的 51.5%，这是一个大幅度的提升。这一点至关重要，因为微小的阻塞往往是最难看到的，但如果被漏掉，也可能是最危险的。研究人员还发现，他们的系统速度极快，处理图像的速度达到每秒 38 帧。这比之前表现最好的模型快了三倍多，后者仅能达到每秒 11 帧。

研究表明，这种新方法成功弥合了高准确度与临床应用所需速度之间的差距。通过将观察精细细节的能力与理解整个图像上下文的能力相结合，该系统减少了由背景噪声引起的误报。作者指出，尽管结果令人鼓舞，但该系统是在来自单一来源的数据上进行测试的，仍需进一步工作以确保它在不同医院和机器生成的图像上同样有效。尽管如此，研究结果表明，这种混合框架提供了一个稳健且高效的工具，有朝一日可以协助心脏科医生在关键的心脏手术过程中做出更快、更可靠的决策。