基于区域引导的 Mask R-CNN 与 Haralick‑ResNet 融合用于计算机断层血管造影图像中精确冠状动脉疾病检测

为何更清晰的心脏影像至关重要

冠状动脉疾病是全球主要死因之一，早期发现常依赖能够显示心脏血管的特殊 CT 扫描。这类三维影像能在心肌梗死发生前识别危险的狭窄和脂质沉积。但在临床中，这些图像常常模糊、组织重叠、噪声干扰严重。本文提出了一种更智能的计算系统，能清理这些杂乱的图像、更精确地追踪心脏血管，并以高可靠性标注疾病，可能为医生提供更利于早期诊断的工具。

解读心脏影像的挑战

冠状动脉 CT 血管造影能绘制供血冠状动脉的详细地图。然而这些影像远非完美：心脏跳动造成的运动模糊、血管与周围组织的低对比度，以及与邻近结构相似的钙化沉积，都会使图像难以判读。传统计算方法通常通过简单规则分割血管，例如按亮度阈值选择像素或沿边缘跟踪。当血管细小、弯曲或被其他解剖结构遮挡时，这些旧方法常会失效，从而导致漏诊或误报。

引导式血管描记

为处理这些复杂影像，作者提出了一种新的冠状动脉轮廓描记方法，称为区域引导的 Mask R-CNN。首先，通过简单的区域生长步骤标记可能的血管区域，利用强度相似性粗略指出血管位置；随后由先进的深度学习模型接手，将这些提示精炼为清晰的、逐个对象的血管掩模。系统加入了一种视觉“注意”机制，学习聚焦于最相关的区域并忽略干扰，并采用更精细的对齐以保留细节。在 206 名患者的公开心脏扫描数据集上测试，该引导式描记在准确性和与专家绘制轮廓的重叠度上均优于诸如 U-Net 与 V-Net 等流行分割网络。

融合纹理特征与深度学习洞见

疾病识别不仅仅是画出血管边界，还需要理解血管壁内部的细微差别。研究者构建了第二个组件，称为 Haralick‑ResNet 融合，以同时捕捉精细纹理和更广泛的模式。一部分提取经典纹理特征——像素灰度的重复性、对比度与混合模式；另一部分则由现代深度网络（ResNet）直接从数据中学习复杂视觉线索。将这两条信息流合并为对每个血管区域更丰富的描述后，系统在视觉差异微弱时也能更好地区分正常血管与受斑块或狭窄影响的血管。

从图像到明确的阳性/阴性判断

流水线的最终步骤是一个深度卷积网络，它以融合后的特征为输入，判定是否存在冠状动脉疾病。该分类器堆叠许多小卷积核以识别不同尺度的模式，然后将这些信息凝练为决策。通过仔细的数据准备、图像归一化和增强，模型在总体疾病检测上的准确率约为 98.3%。在相同任务上，它也优于 VGG‑16、ResNet‑50、InceptionV3 和 EfficientNet‑B3 等知名图像分类网络，同时保持了合理的计算时间与帧率。

对心脏医疗的意义

从外行角度看，这项工作旨在让计算机比现有系统更仔细、更一致地解读心脏影像。通过先用区域引导的注意力描绘动脉，再将经典纹理线索与深度学习洞见融合，最后给出有把握的阳/阴性判定，该方法解决了限制冠状动脉 CT 自动分析的主要障碍。尽管它仍依赖于高质量扫描并需要进一步的临床验证，但该方法表明，更智能的端到端 AI 工具有望帮助放射科医生更早、更可靠地发现危险心脏病，从而在症状危及生命之前为治疗提供依据。

引用: Revathi, G., Mathew, O.C. Region guided mask R-CNN with Haralick ResNet fusion for accurate coronary artery disease detection in computed tomography angiography images. Sci Rep 16, 12231 (2026). https://doi.org/10.1038/s41598-026-43951-5

关键词: 冠状动脉疾病, 心脏 CT 成像, 医学图像分割, 深度学习诊断, 心脏斑块检测