基于深度学习的血管重建系统成功研发并实现临床高效应用

近日，上海交通大学医学院附属仁济医院放射科周滟主任、赵辉林主任团队联合上海联影医疗，依托uOmnispace智能后处理平台，成功研发出基于深度学习的自动血管重建工具VWI Assistant。该技术有效解决了三维磁共振血管壁成像（3D MR-VWI）长期面临的人工重建效率低、结果一致性差等临床难题。相关成果发表于Nature旗下《npj Digital Medicine》（IF：15.1），题为《Rapid Vessel Segmentation and Reconstruction of Head and Neck Angiograms from MR Vessel Wall Images》。

研究背景：提升3D MR-VWI临床应用效率

脑卒中是全球第二大死因，也是致残率最高的脑血管疾病。3D MR-VWI作为非侵入性影像技术，在动脉斑块识别、病因诊断和动脉瘤检测中具有重要价值。然而，传统人工后处理每例耗时超过10分钟，且受操作者经验影响大，严重制约其临床推广。为此，研究团队致力于开发一种高效、标准化的自动重建系统，推动该技术在临床的大规模应用。

研究方法：多中心数据训练的深度学习模型

研究团队基于uOmnispace平台，构建了以卷积神经网络（CNN）为核心的深度学习系统，涵盖血管分割识别与快速曲面重建两大模块：

• 血管分割与识别：融合黑血序列（如T1WI）与亮血序列（如TOF-MRA），通过多通道CNN实现精准血管段识别；
• 快速重建：基于分割结果提取中心线，经优化连接完成三维曲面重建。

模型训练使用来自全国4家医疗机构的1981例3D MR-VWI数据，覆盖多种设备型号及疾病类型（包括动脉狭窄、闭塞、动脉瘤等），确保通用性与鲁棒性。采用数据增强与改进型CNN架构，并以Dice系数、中心线距离等指标进行评估。

图1. 快速血管分割和重建系统框架。系统包括两个主要部分：血管分割识别与快速曲面重建。

研究结果：性能媲美专家，效率提升超90%

集成自动重建系统的uOmnispace MR Plaque Analysis软件在多场景验证中表现优异，具备高准确性、强稳定性和显著提效能力。

（1）算法合格率达92.9%，与专家水平无统计学差异
整体重建合格率为92.9%，与资深医生手动重建的93.5%相比无显著差异（p>0.05），在不同设备、血管节段和疾病类型中均保持稳定性能。

图3. 自动重建系统与手工处理在重建质量上的对比评估，采用4分法评分统计在不同制造商、靶血管和疾病类型中的表现。

（2）复杂病灶重建清晰，中心线更平滑
系统可准确处理颈动脉斑块伴出血、颈内动脉闭塞及动脉瘤等复杂病例，重建图像细节清晰，且AI生成的中心线轮廓较人工更为平滑。

图4. 自动重建与手动处理对不同疾病场景的颈动脉图像重建效果对比。AI方法在中心线平滑度方面优于人工。

（3）单例处理最快仅需30秒，效率提升90%
平均处理时间由人工10–12分钟缩短至约1分钟，降幅达90%以上；医生操作点击次数从400余次降至16次，大幅降低工作负担。

图5. 自动重建系统与手动处理在耗时（a）和操作点击次数（b）上的对比。

（4）临床落地成效显著，实现零人工干预
2023年8月至2024年7月期间，该系统完成1099例临床应用，93.7%结果符合诊断要求，使用率从初期10.8%迅速上升至100%，已完全替代手动处理流程。

图6. 自动重建系统在临床应用中的实施情况统计：a. 各类处理方式数量变化；b. 使用率与人工参与比例趋势。

研究展望：推动血管影像技术临床转化

本研究通过多中心大数据与深度学习技术，实现了3D MR-VWI后处理的自动化，在保证诊断准确性的同时极大提升了效率，破解了该技术规模化应用的瓶颈。uOmnispace MR Plaque Analysis的广泛应用不仅优化了诊疗流程、降低了人力成本，也为脑血管疾病的常规筛查和大规模科研提供了高效、标准化的技术支持，标志着智能影像后处理向临床深度整合迈出关键一步。

Zhang, J., Wang, W., Dong, J. et al. Rapid vessel segmentation and reconstruction of head and neck angiograms from MR vessel wall images. npj Digit. Med. 8, 483 (2025).