基于深度学习的MitraClip装置在3D经食管超声心动图中的自动定位与定量表征

　　本研究针对MitraClip经导管二尖瓣修复术（TEER）中因超声图像伪影和低对比度导致的器械可视化难题，开发了一种集成Attention UNet分割、DenseNet分类和CAD模板配准的自动化流水线。该方案在体外模拟环境中实现了器械的精准分割（平均表面距离0.69 mm）和状态分类（加权F1分数0.80），为术中原位可视化与定量评估提供了新范式。

　　

在经导管二尖瓣修复术（TEER）领域，MitraClip系统已成为治疗二尖瓣反流（MR）最广泛应用的经皮介入技术。该手术高度依赖实时影像引导，其中三维经食管超声心动图（3D TEE）因其能提供二尖瓣（MV）的“正面观”（en face view）和临近夹子的空间关系，成为关键导航工具。然而，超声图像固有的伪影、低对比度以及金属器械产生的声学阴影，使得术中对夹子装置的精准可视化和状态判断变得异常困难。临床医生往往需要反复调整TEE探头角度或从三维容积数据中手动提取特定二维切面，这些操作不仅耗时、高度依赖术者经验，还可能因图像解读差异影响手术精度。尽管此前已有研究尝试对心内导管进行自动分割，但这些工作多集中于形态简单的消融导管或导丝，尚未有针对MitraClip这类具有复杂可动结构的器械进行自动化检测与表征的解决方案。

为解决这一临床痛点，来自意大利米兰理工大学的研究团队在《Computer Methods and Programs in Biomedicine》上发表了一项开创性研究，首次提出了一套基于深度学习的自动化流水线，用于从3D TEE图像中实现MitraClip装置的检测、定位与状态表征。该研究通过在体外心脏模拟器中构建的解剖学真实环境中采集数据，利用注意力机制UNet（Attention UNet）进行器械分割，采用DenseNet网络对夹子的十种开合状态（从完全闭合到完全开放）进行分类，并创新性地引入基于计算机辅助设计（CAD）的模板模型通过迭代最近点（ICP）算法配准到分割结果上，从而实现对器械形态的精细化重建与定量分析。

研究团队为开展此项工作，主要采用了以下几项关键技术方法：首先，利用心脏模拟器平台和真实MitraClip XTW夹子，在44次模拟手术中采集了220幅4D TEE图像，最终筛选出196幅3D TEE图像构成数据集；其次，通过3D扫描仪获取真实夹子在闭合、60°和120°开放状态下的三维模型，并基于CAD设计生成从10°到90°（步长10°）的系列模板模型；第三，采用注意力UNet、SegResNet、UNetR等多种深度学习架构进行语义分割，并以加权Dice和Focal损失函数进行优化训练；第四，利用DenseNet和ResNet-50对以分割结果裁剪并拼接的图像区域进行分类；最后，通过ICP算法将预测状态对应的CAD模板与分割表面进行刚性配准，实现分割结果的形态学优化。

3.1. 分割性能

Attention UNet在测试集上表现出最优的分割性能，其Dice系数达到0.62±0.14，平均表面距离（ASD）为0.76±1.03 mm，95%豪斯多夫距离（95% HD）为2.44±2.40 mm。该网络能够有效捕捉夹子尖端及臂部结构，尤其在闭合状态下重建精度较高；而在开放状态下，当夹子靠近心脏组织或图像对比度较低时，偶尔会出现单臂缺失的情况。

3.2. 分类性能

DenseNet在采用裁剪并拼接分割掩模的输入数据上表现最佳，加权平均F1分数达0.80，尤其在完全闭合（0°）和完全开放（180°）状态下分类准确率最高（F1=1.0和0.9）。而对支持样本较少的中间开角（如80°）分类效果较差，表明数据分布不平衡对模型性能存在一定影响。

3.3. 配准后分割性能

基于分类预测结果选取对应CAD模板并通过ICP配准后，所有分割模型的表面距离指标均显著改善：Attention UNet的ASD从0.76 mm降至0.69 mm，95% HD从2.44 mm降至1.83 mm。虽然Dice系数略有下降，但距离误差的降低表明模板配准有效恢复了夹子的几何细节，尤其对于在原始分割中缺失的臂部结构。

3.4. 夹子位置的影响

当夹子位于二尖瓣口中央或侧方时分割精度最高（Dice>0.6，ASD<0.50 mm），而位于内侧时因导管遮挡和伪影干扰性能有所下降，这反映了临床影像中器械与解剖结构相对位置对检测效果的实际影响。

3.5. 推理时间

整个流水线处理单幅3D TEE容积的平均时间为2.55秒，其中分割和分类步骤仅需0.1秒，而ICP配准占用了2.44秒，表明算法效率可满足近实时术中引导需求，但模板优化环节仍有加速空间。

该研究通过深度融合深度学习与模型配准技术，首次实现了对MitraClip装置的自动化、高精度检测与状态解析。其重要意义在于：一方面，该流水线能够提供标准化的器械可视化与定量参数（如开角、朝向、空间位置），减少术者对主观经验的依赖；另一方面，该方法可与自动化二尖瓣分析模块结合，为术者提供夹子与目标区域空间关系的量化反馈，从而提升手术操作的精确度和安全性。尽管当前研究基于体外数据，但其技术框架具备向其他经导管瓣膜修复器械（如Edwards公司的Pascal系统或Abbott的Triclip）推广的潜力。未来通过纳入更多人体内影像数据并进行多中心验证，有望进一步推动智能导航技术在介入心脏病学中的实际应用。