基于影像计算的人体气道树结构和功能分析方法与其在COPD中的应用研究

Chronic obstructive pulmonary disease (COPD) is the major cause of premature adult deaths in all counties of the world. Multi-detector Computed Tomography (MDCT) has become an effective and invaluable tool for the diagnosis of COPD, but the automatic analysis of airway structure is difficult and the ventilation function cannot be revealed. This project will firstly study the approach of automatic extraction from MDCT images and assessment of the airway tree, and determine the geometrical parameters of airway tree including the length, sectional area, wall thickness, branch angle, rotation angle of each generation of bronchus. Secondly, the subject-specific structure model extracted from CT images will be imported into the software of Finite Element Analysis (FEA), the simulation of Computational Fluid Dynamics (CFD) will be conducted to calculate the ventilation measures such as the air velocity, wall pressure and wall shear stress. Meanwhile experiments will be done using the airway tree fabricated by 3D printer. Thirdly, the proposed approaches will be applied to the subjects with COPD, and the influence of COPD on the structural and functional airway measures can be quantified. Finally, we will build up the risk evaluation model, phenotype classifier and the progression prediction model of COPD, and find imaging biomarkers of COPD which are more sensitive and suitable for clinic applications.

慢性阻塞性肺疾病（COPD）严重危害人类健康，带来沉重的社会经济负担。多排探测器计算机断层成像（MDCT）是一种有效的、非创伤性气道疾病研究和评价手段，但缺少定量化的气道结构分析方法，且无法反映气道通气功能。本项目首先研究气道树的自动提取和分析方法，确定各级支气管长度、横截面积、壁厚、分叉角度和反转角度等气道树几何结构参数；然后，以提取的气道树作为个性化结构模型输入到有限元计算软件，开展计算流动动力学（CFD）仿真，并通过3D打印制作气道树开展实验研究，计算和测量气道树中空气流速、壁面压力和壁面剪切应力等通气功能参数；接着，将上述方法应用到COPD患者，明确COPD对气道结构参数和通气功能参数的影响；最后，将气道结构和功能参数相结合，利用机器学习方法构建COPD风险评估、表型分类和进展预测模型，发现适用于临床的、更为敏感的、基于影像的COPD生物标记物。

慢性阻塞性肺病（COPD）已经成为全球公共卫生问题之一。定量化、区域化检测气道结构和功能变化是COPD研究、早期诊断和治疗的关键步骤。多探测器计算机断层成像（MDCT）是一种重要的、非创伤性的、气道疾病定量评价手段，但在气道自动提取、通气功能计算、影像生物标记物方面存在挑战。.本项目主要研究内容包括：（1）气道自动提取和结构分析；（2）气道通气功能计算和分析；（3）COPD影像生物标记物的发现与评价。. 在第一部分中，持续改进MDCT图像中气道树自动提取方法，实现了一种末端细支气管搜索与连接方法，一种基于3D U-Net网络的深度学习提取方法。提升了气道提取的长度和级数，Dice指数、末端叶子节点提取率和气道长度提取率可达0.91，83.1%和89.6%，高于nnU-Net的0.88，63.7%和68.6%。为精确表征COPD气道树结构改变提供了重要方法学支撑。同时，发现COPD组气道树级数和长度均明显减小，重度COPD气道树大幅度裁剪。. 在第二部分中，建立并验证了气道树提取建模、边界条件设定、CFD计算、气道功能参数提取分析等一整套方法。基于该方法，研究了气管支气管变异下的空气流动、COPD患者气道树中的颗粒沉降、肺癌患者肺叶切除术后气道树结构与功能改变。结果表明，在气管支气管后侧壁面剪切应力明显增大，可能与局部炎症和咳嗽有关；COPD患者气管狭窄位置影响沉降效率和比率，这有助于提高吸入性药物治疗疗效；肺叶切除术后气道树严重变形可能会导致术后气短。. 在第三部分中，基于气道树2D快照、肺区形态2D快照、深度CNN迁移多示例学习，提出并实现了三种COPD疾病预测方法和模型，预测准确率可达99.29%。继而，提出了一种由聚类方法生成数据训练的CT影像中肺实质提取CNN模型，将气肿和COPD患者之间肺区密度开展了对比。结果表明，深度学习适合于利用CT图像识别COPD，通过CT扫描和肺癌筛查可以帮助从大量人群中发现COPD高危亚群。. 总之，项目从影像计算角度揭示了COPD气道树的结构和功能改变，对于认识COPD疾病的本质、特征和发生、发展规律，实现早期诊断和及时有效治疗具有重要帮助。

内容获取失败，请点击重试