背景
心脏病的危害极大，严重威胁人类生命健康，其中“主动脉夹层”称得上是最为凶险的心脏病之一，65%～70%在急性期死于心脏压塞、心律失常等，故早期诊断和治疗非常必要。
主动脉夹层根据破口位置分为A型和B型，其中累及降主动脉的B型主动脉夹层一般通过移植覆膜支架手术来治疗。手术前，医生需要根据夹层形态参数（如真腔最大直径）来做预后及确定具体的手术方案，如选取合适尺寸的支架，判断手术效果。传统的参数提取方法往往很耗时且依赖医生经验。近年来随着深度卷积神经网络应用条件的成熟，在动脉造影图像分割领域也实现了更好的效果及更高的准确性。
案例介绍
主动脉夹层分割深度学习模型是如何炼成的？
利用深度学习进行主动脉真假腔分割有赖于大量手动标注的主动脉图像来训练深度学习网络，计算量大，且对计算能力的要求非常高。
汇医慧影公司联合北京301解放军医院总院，借助NVIDIA GPU，将深度学习技术应用至B型主动脉夹层分割及破口检测的多任务学习。汇医慧影利用大量带有主动脉及夹层手动标注的三维CTA 图像，提出了基于深度卷积神经网络的夹层分割方案。在此基础上可确定破口位置，并计算夹层形态参数，为医生提供临床决策支持。
基于手动分割的金标准图像，分别得到主动脉、真腔和假腔的二值化标注。主动脉壁和内膜片可以通过主动脉标注减去真假腔标注得到。
其多任务深度学习网络如下图所示。卷积层和反卷积层的参数被三个任务共享：主动脉分割、真腔分割、假腔分割。每个任务均属于二值分割。
三个分割任务的损失函数在训练过程中同时得到优化。模型采用原始的3D CTA图像作为输入，输出为主动脉、真腔和假腔的二值化掩膜。
根据多任务学习理论，三个存在内在关联的分割任务在协同训练的过程中会相互促进，借助于任务之间共享的参数，主动脉和真假腔之间存在的解剖关系可以被网络学习到，这种关系对于网络训练而言相当于引入了一个先验知识。因此，相比于训练多个网络来独立解决三个分割任务，多任务网络的效果会更好，该方式已经通过实验得到了验证。
GPU训练耗时减半，性能提升
汇医慧影通过使用相同的基础网络和共享参数，基于4块NVIDIA GPU，对其3D多任务深度学习网络进行训练和测试，最终得以同时输出主动脉，主动脉真腔和主动脉假腔的分割结果。且使用GPU之后的训练时间至少能够减少50%，大大减少了模型训练和预测的时间，准确性也得以提升。
神经网络性能的大幅提升，将更好地为判断夹层的转归提供更多信息，也使其成为医生快捷的决策工具，帮助临床医生面对B型主动脉夹层病人，迅速决定最佳的治疗方案。
© 2019 NVIDIA Corporation. All rights reserved.