心臟病的危害極大，嚴重威脅人類生命健康，其中“主動脈夾層”稱得上是最為兇險的心臟病之一，65%～70%在急性期死于心臟壓塞、心律失常等，故早期診斷和治療非常必要。

主動脈夾層根據破口位置分為A型和B型，其中累及降主動脈的B型主動脈夾層一般通過移植覆膜支架手術來治療。手術前，醫生需要根據夾層形態參數（如真腔最大直徑）來做預后及確定具體的手術方案，如選取合適尺寸的支架，判斷手術效果。傳統的參數提取方法往往很耗時且依賴醫生經驗。近年來隨著深度卷積神經網絡應用條件的成熟，在動脈造影圖像分割領域也實現了更好的效果及更高的準確性。

利用深度學習進行主動脈真假腔分割有賴于大量手動標注的主動脈圖像來訓練深度學習網絡，計算量大，且對計算能力的要求非常高。

匯醫慧影公司聯合北京301解放軍醫院總院，借助NVIDIA GPU，將深度學習技術應用至B型主動脈夾層分割及破口檢測的多任務學習。匯醫慧影利用大量帶有主動脈及夾層手動標注的三維CTA 圖像，提出了基于深度卷積神經網絡的夾層分割方案。在此基礎上可確定破口位置，并計算夾層形態參數，為醫生提供臨床決策支持。

基于手動分割的金標準圖像，分別得到主動脈、真腔和假腔的二值化標注。主動脈壁和內膜片可以通過主動脈標注減去真假腔標注得到。

其多任務深度學習網絡如下圖所示。卷積層和反卷積層的參數被三個任務共享：主動脈分割、真腔分割、假腔分割。每個任務均屬于二值分割。

三個分割任務的損失函數在訓練過程中同時得到優化。模型采用原始的3D CTA圖像作為輸入，輸出為主動脈、真腔和假腔的二值化掩膜。

根據多任務學習理論，三個存在內在關聯的分割任務在協同訓練的過程中會相互促進，借助于任務之間共享的參數，主動脈和真假腔之間存在的解剖關系可以被網絡學習到，這種關系對于網絡訓練而言相當于引入了一個先驗知識。因此，相比于訓練多個網絡來獨立解決三個分割任務，多任務網絡的效果會更好，該方式已經通過實驗得到了驗證。

GPU訓練耗時減半，性能提升

匯醫慧影通過使用相同的基礎網絡和共享參數，基于4塊NVIDIA GPU，對其3D多任務深度學習網絡進行訓練和測試，最終得以同時輸出主動脈，主動脈真腔和主動脈假腔的分割結果。且使用GPU之后的訓練時間至少能夠減少50%，大大減少了模型訓練和預測的時間，準確性也得以提升。

神經網絡性能的大幅提升，將更好地為判斷夾層的轉歸提供更多信息，也使其成為醫生快捷的決策工具，幫助臨床醫生面對B型主動脈夾層病人，迅速決定最佳的治療方案。