TWI770877B - 用於處理肺靜脈電腦斷層掃描影像之方法、設備及電腦程式 - Google Patents

Abstract

本發明係關於用於處理電腦斷層掃描影像之方法、設備及電腦程式。電腦斷層掃描(CT)影像中左心房(LA)之精確分割為心房顫動(AF)電氣燒灼術關鍵預備步驟之一。吾人旨在應用深度卷積神經網路(DCNN)來做LA偵測/分割程序自動化，並產生一三維(3D)幾何結構。深度學習用於該3D LA幾何結構之建構，進行高效且準確的方式來自動化LA及其容積計算。非肺靜脈(NPV)誘發起源點在過去文獻已經報告為心房顫動(AF)電氣燒灼術後復發之重要預測因子之一。手術中弭除NPV誘發起源點可減少心房顫動電燒術後的復發率。我們建構之深度學習即應用於患有陣發性心房顫動(PAF)患者之電氣燒灼術前肺靜脈電腦斷層掃描(PVCT)幾何切片，產生NPV誘發起源點之預測模型。使用此深度學習模型可應用於接受電氣燒灼術之PAF患者術前預測NPV誘發起源點，識別具有NPV誘發起源點之風險較高之患者。

Description

用於處理肺靜脈電腦斷層掃描影像之方法、設備及電腦程式

本發明係關於處理電腦斷層掃描影像。更特定言之，本發明係關於用於處理肺靜脈電腦斷層掃描影像之方法、設備及電腦程式。本發明亦係關於深度學習技術在陣發性心房顫動患者中預測誘發起源點之臨床應用。

心房顫動(AF)可基於持續時間劃分成以下三種類型：陣發性心房顫動、持續性心房顫動及永久性心房顫動。陣發性心房顫動可在心臟中存在異常心律不整放電點，進而產生心臟跳動不規律。在一般情況下，陣發性心房顫動常由肺靜脈周圍之異常電氣活動引起。然而，其他心房組織亦可引起異常電氣活動並引起心房顫動，稱為非肺靜脈(NPV)起源點。導管電氣燒灼術弭除NPV起源點為減少心房顫動術後復發的重要因子，亦為現今國際上心房顫動準則之標準臨床治療，然而NPV起源點往往無法於術前得知，NPV起源點的手術燒灼方式不同於一般肺靜脈燒灼術，使得手術醫師無法於術前決策精確的手術方式(例如，傳統電氣燒灼術或冷凍球囊燒灼術)。

作為對心房顫動之治療，導管電氣燒灼術可弭除陣發性心房顫動之NPV誘發起源點，降低術後心房顫動復發率。在對患者執行導管電氣燒灼術之前，傳統手術方式只能在侵入性手術中進行電生理檢查得知NPV誘發起源點。此深度學習模組可以在術前即預測是否有NPV起源點，輔助醫師於術前決定適當手術方式，並在術中提醒手術醫師NPV起源點存在的高風險，積極進行NPV起源點燒灼術，降低術後復發率。

本發明之一些實施例至少提供用於處理PVCT影像之技術解決方案。

本發明之一些實施例提供一種用於處理肺靜脈電腦斷層掃描(PVCT)影像之方法。該方法可包括：自左心房之上部邊界至心臟之底部獲得複數個輸入影像；判定該複數個輸入影像中之每一者是否與非肺靜脈(NPV)誘發起源點相關；以及當判定該複數個輸入影像中多於一半與NPV誘發起源點相關時，判定該複數個輸入影像與NPV誘發起源點相關。

本發明之一些其他實施例提供一種用於處理肺靜脈電腦斷層掃描(PVCT)影像之裝置。該裝置可包括：處理器；及記憶體，其儲存使得該處理器執行操作之指令。該等操作可包含：自左心房之上部邊界至心臟之底部輸入複數個輸入影像；判定該複數個輸入影像中之每一者是否與非肺靜脈(NPV)誘發起源點相關；當判定該複數個輸入影像中多於一半與NPV誘發起源點相關時，判定該複數個輸入影像與NPV誘發起源點相關；以及輸出指示該複數個輸入影像與NPV誘發起源點相關之輸出。

本發明之一些其他實施例提供一種儲存電腦可程式化指令之非暫時性電腦可讀儲存媒體。該等電腦可程式化指令可使得電腦執行操作。該等操作可包含：自左心房之上部邊界至心臟之底部輸入複數個輸入影像；判定該複數個輸入影像中之每一者是否與非肺靜脈(NPV)誘發起源點相關；當判定該複數個輸入影像中多於一半與NPV誘發起源點相關時，判定該複數個輸入影像與NPV誘發起源點相關；以及輸出指示該複數個輸入影像與NPV誘發起源點相關之輸出。

以下揭示內容提供用於實施所提供主題之不同特徵的許多不同實施例或實例。組件之特定實例及佈置在下文描述。當然，此等描述僅為實例且並不意欲為限制性的。在本發明中，在以下描述中，第一特徵形成於第二特徵上或上方之描述可包括藉由第一特徵與第二特徵之間的直接接觸形成之實施例，且可進一步包括額外特徵可形成於第一特徵與第二特徵之間，以使得第一特徵與第二特徵並不直接接觸之實施例。另外，在本發明中，在實例中可重複附圖標記及/或字母。此重複係出於簡化及清晰目的，且並不指示所描述各種實施例及/或組態之間的關係。

下文詳細描述本發明之實施例。然而，應理解，由本發明提供之許多適用概念可在複數個特定環境中實施。所描述特定實施例僅為說明性的且並不限制本發明之範疇。

圖1說明根據本發明之一些實施例的影像處理方法之流程圖。影像處理程序200可獲得輸入影像101。在影像處理程序200之操作之後，可產生兩個輸出301及302。在一些實施例中，輸入影像101可為電腦斷層掃描(CT)影像。輸入影像可為肺靜脈CT影像。

在一些實施例中，輸出301及302中之每一者可為一值。輸出301及302中之每一者可為機率值。輸出301及302之總和可等於1。在一些實施例中，輸出301及302中之一者可指示輸入影像101與非肺靜脈(NPV)誘發起源點相關(或包括其)之機率；輸出301及302中之另一者可指示輸入影像101與肺靜脈(PV)誘發起源點相關(或包括其)之機率。在一些實施例中，當輸入影像101與NPV誘發起源點相關之機率大於0.5時，輸入影像101可經判定為與NPV誘發起源點相關。

圖2說明根據本發明之一些實施例的影像處理方法之流程圖。影像處理程序400可獲得複數個輸入影像101。在影像處理程序400之操作之後，可產生輸出501。輸入影像101可為電腦斷層掃描影像或肺靜脈CT影像。該複數個輸入影像101可為自一名患者獲得之肺靜脈CT影像。該複數個輸入影像101可為自左心房之上部邊界至心臟之底部獲得之肺靜脈CT影像。

影像處理程序400可包括一或多個影像處理程序200。該複數個輸入影像101中之每一者可藉由影像處理程序200來處理。可判定該複數個輸入影像101中之每一者是否與NPV誘發起源點相關。當該複數個輸入影像101中多於一半經判定為與NPV誘發起源點相關時，該複數個輸入影像101可經判定為與至少一個NPV誘發起源點相關。當該複數個輸入影像101中少於一半經判定為與NPV誘發起源點相關時，該複數個輸入影像101未經判定為與至少一個NPV誘發起源點相關。

在一些實施例中，當該複數個輸入影像101中多於一半經判定為與NPV誘發起源點相關時，對應患者可經判定為患有與NPV誘發起源點相關之心房顫動。當該複數個輸入影像101中少於一半經判定為與NPV誘發起源點相關時，對應患者可未經判定為患有與NPV誘發起源點相關之心房顫動。

由影像處理程序400產生之輸出501可為指示該複數個輸入影像101是否經判定為與至少一個NPV誘發起源點相關之值。舉例而言，當輸出501等於1時，該複數個輸入影像101可經判定為與至少一個NPV誘發起源點相關。當輸出501等於0時，該複數個輸入影像101可經判定為與至少一個PV誘發起源點相關。

在一些實施例中，當輸出501等於1時，對應患者可經判定為患有與NPV誘發起源點相關之心房顫動。當輸出501等於0時，對應患者可未經判定為患有與NPV誘發起源點相關之心房顫動。

圖3說明根據本發明之一些實施例的影像處理方法之流程圖。影像處理程序200可包括一或多個操作。在一些實施例中，影像處理程序200可包括圖3中所展示之操作201至206。

在圖3中，影像處理程序200可獲得輸入影像101。輸入影像101可輸入至操作201。在操作201中，卷積(convolution)運算可藉由輸入影像101及卷積層(例如，輸入層)執行。操作201可包括補零操作、批次正規化或整流線性單元(ReLU)操作。

在操作201中，卷積層可包括7*7濾波器；卷積層之濾波器可包括一或多個通道。舉例而言，具有7個通道之7*7濾波器可包括用於卷積運算之7*7*7值。此類7*7*7值可藉由機器學習之訓練方法，例如卷積神經網路之反向傳播演算法判定。

在操作201之後，可產生特徵圖。該特徵圖可包括一或多個通道。所產生特徵圖之通道之數目可根據卷積層之通道之數目來判定。

由操作201產生之特徵圖可輸入至操作202。在操作202中，可藉由輸入特徵圖及一或多個卷積層執行一或多個卷積運算。在一些實施例中，操作202可包括6個卷積層，且可藉由輸入特徵圖及6個卷積層執行6個卷積運算。操作202可包括批次正規化或整流線性單元(ReLU)操作。

在操作202中，每一卷積層可包括具有64個通道之3*3濾波器。舉例而言，卷積層中具有64個通道之3*3濾波器可包括用於卷積運算之3*3*64值。每一卷積層中之此類3*3*64值可藉由機器學習之訓練方法，例如卷積神經網路之反向傳播演算法判定。在操作202之後，可產生特徵圖。該特徵圖可包括一或多個通道，例如64個通道。

由操作202產生之特徵圖可輸入至操作203。在操作203中，可藉由輸入特徵圖及一或多個卷積層執行一或多個卷積運算。在一些實施例中，操作203可包括8個卷積層，且可藉由輸入特徵圖及8個卷積層執行8個卷積運算。操作203可包括批次正規化或整流線性單元(ReLU)操作。

在操作203中，每一卷積層可包括具有128個通道之3*3濾波器。舉例而言，卷積層中具有128個通道之3*3濾波器可包括用於卷積運算之3*3*128值。每一卷積層中之此類3*3*128值可藉由機器學習之訓練方法，例如卷積神經網路之反向傳播演算法判定。在操作203之後，可產生特徵圖。該特徵圖可包括一或多個通道，例如128個通道。

由操作203產生之特徵圖可輸入至操作204。在操作204中，可藉由輸入特徵圖及一或多個卷積層執行一或多個卷積運算。在一些實施例中，操作204可包括12個卷積層，且可藉由輸入特徵圖及12個卷積層執行12個卷積運算。操作204可包括批次正規化或整流線性單元(ReLU)操作。

在操作204中，每一卷積層可包括具有256個通道之3*3濾波器。舉例而言，卷積層中具有256個通道之3*3濾波器可包括用於卷積運算之3*3*256值。每一卷積層中之此類3*3*256值可藉由機器學習之訓練方法，例如卷積神經網路之反向傳播演算法判定。在操作204之後，可產生特徵圖。該特徵圖可包括一或多個通道，例如256個通道。

由操作204產生之特徵圖可輸入至操作205。在操作205中，可藉由輸入特徵圖及一或多個卷積層執行一或多個卷積運算。在一些實施例中，操作205可包括6個卷積層，且可藉由輸入特徵圖及6個卷積層執行6個卷積運算。操作205可包括批次正規化或整流線性單元(ReLU)操作。

在操作205中，每一卷積層可包括具有512個通道之3*3濾波器。舉例而言，卷積層中具有512個通道之3*3濾波器可包括用於卷積運算之3*3*512值。每一卷積層中之此類3*3*512值可藉由機器學習之訓練方法，例如卷積神經網路之反向傳播演算法判定。在操作205之後，可產生特徵圖。該特徵圖可包括一或多個通道，例如512個通道。

低層級特徵圖可指示藉由極少卷積運算產生之特徵圖。藉由操作201產生之特徵圖可為低層級特徵圖。低層級特徵圖可包括影像特徵，如物件之邊緣、拐角或圖案。

高層級特徵圖可指示藉由許多卷積運算產生之特徵圖。藉由操作205產生之特徵圖可為高層級特徵圖。高層級特徵圖可為用於識別影像中之所需物件之主要基礎。

在一些實施例中，可對藉由操作201產生之特徵圖(例如，低層級特徵圖)及藉由操作205產生之特徵圖(例如，高層級特徵圖)進行相加或求和。低層級特徵圖與高層級特徵圖之相加或求和可減少高頻資料損耗。低層級特徵圖與高層級特徵圖之相加或求和可強調輸出特徵圖之對比度及細節。低層級特徵圖與高層級特徵圖之相加或求和可實現不同組織或結構之間的較佳區分。

低層級特徵圖與高層級特徵圖之相加或求和可輸入至操作206。操作206可包括二進位輸出層及SoftMax層，且可藉由輸入特徵圖及二進位輸出層及SoftMax層執行操作。

操作206之輸出(或影像處理程序200之輸出)可包括輸出301及302。輸出301及302中之每一者可為機率值。輸出301及302之總和可等於1。在一些實施例中，輸出301及302中之一者可指示輸入影像101與非肺靜脈(NPV)誘發起源點相關之機率；輸出301及302中之另一者可指示輸入影像101與肺靜脈(PV)誘發起源點相關之機率。在一些實施例中，當輸入影像101與NPV誘發起源點相關之機率大於0.5時，輸入影像101可經判定為與NPV誘發起源點相關。

在本發明之一些實施例中，影像處理程序200可為藉由預訓練模型固定之卷積神經網路並藉由反向傳播演算法更新卷積神經網路之權重。可在圖4中說明處理用於訓練卷積神經網路之訓練資料集之操作。

在操作401中，獲得521個陣發性心房顫動(AF)患者之影像。521名患者之影像為合格的PVCT影像。521名患者之影像在執行電氣燒灼術(例如，導管電氣燒灼術)之前獲得。

在操作402中，自521名患者之影像中捨棄163名患者之影像。這163名患者在執行電氣燒灼術之後出現心房顫動復發。在一些實施例中，這163名患者自執行電氣燒灼術之日期起在預定時間段(例如，1年)內可能出現心房顫動復發。

在操作403中，包括358名患者之23683個影像以訓練預測模組或卷積神經網路。23683個影像為合格的PVCT影像。23683個影像在執行電氣燒灼術之前獲得。在一些實施例中，358名患者自執行電氣燒灼術之日期起在預定時間段(例如，1年)內未出現心房顫動復發。此可指示電氣燒灼術對這358名患者有幫助。

在操作404中，將358名患者之一部分劃分出來。自358名患者中劃分出298名患者。這298名患者可僅具有PV誘發起源點。這298名患者可僅與PV誘發起源點相關。

在操作405中，將358名患者之一部分劃分出來。自358名患者中劃分出60名患者。這60名患者可具有NPV誘發起源點。這60名患者可與NPV誘發起源點相關。

在操作406中，將358名患者之一部分劃分為訓練集。自358名患者中劃分出290名患者以作為訓練集。這290名患者包括僅與PV誘發起源點相關之一些患者及與NPV誘發起源點相關之一些患者。僅與PV誘發起源點相關之患者與與NPV誘發起源點相關之患者的比率可經預定或隨機。自290名患者獲得17340個影像。對應於290名患者之17340個影像用作訓練集以訓練預測模組或卷積神經網路。

在操作407中，將358名患者之一部分劃分為內部驗證集。自358名患者中劃分出33名患者以作為驗證集。這33名患者包括僅與PV誘發起源點相關之一些患者及與NPV誘發起源點相關之一些患者。僅與PV誘發起源點相關之患者與與NPV誘發起源點相關之患者的比率可經預定或隨機。自33名患者獲得3491個影像。對應於33名患者之3491個影像用作內部驗證集以驗證預測模組或卷積神經網路係收斂、擬合過度、擬合不足抑或穩定。預測模組或卷積神經網路之一些超參數可根據驗證結果來調整。

在操作408中，將358名患者之一部分劃分為測試集。自358名患者中劃分出35名患者以作為測試集。這35名患者包括僅與PV誘發起源點相關之一些患者及與NPV誘發起源點相關之一些患者。僅與PV誘發起源點相關之患者與與NPV誘發起源點相關之患者的比率可經預定或隨機。自35名患者獲得2852個影像。對應於35名患者之2852個影像用作測試集以測試預測模組或卷積神經網路之結果。可在圖5A至圖6B中論述測試結果。

經由本發明之影像處理程序200(如圖1或圖3中所示)或處理程序400(如圖2中所示)，可將結果分類成真陽性(TP)類型、真陰性(TN)類型、假陽性(FP)類型及假陰性(FN)類型。基於結果之四種類型，用於評估機器學習之結果之數量指示符包括以下： 準確性(Accuracy)=(TP+TN)/(TP+FP+FN+TN)； 精確性(Precision)=TP/(TP+FP)，例如指示正確地識別之陽性結果之比例； 重呼叫(Recall)=TP/(TP+FN)，例如指示正確地識別之實際上陽性情況之比例； F1得分=2/((1/精確性)+(1/重呼叫))，例如準確性及重呼叫之調和平均數； 敏感度(Sensitivity)=TP/(TP+FN)，與重呼叫相同； 特異度(Specificity)=TN/(FP+TN)，指示正確地識別之實際上陰性情況之比例。

經由本發明之影像處理程序200(如圖1或圖3中所示)，TP結果可指示與NPV誘發起源點相關之影像經判定或經預測為與NPV誘發起源點相關。TN結果可指示與PV誘發起源點相關之影像經判定或經預測為與PV誘發起源點相關。FP結果可指示與PV誘發起源點相關之影像經判定或經預測為與NPV誘發起源點相關。FN結果可指示與NPV誘發起源點相關之影像經判定或經預測為與PV誘發起源點相關。經由本發明之影像處理程序200，準確性指示影像正確地經預測或判定之比率(或機率)。敏感度指示與NPV誘發起源點相關之影像正確地經判定或預測之比率(或機率)。特異度指示與PV誘發起源點相關之影像正確地經判定或預測之比率(或機率)。

經由本發明之影像處理程序400(如圖2中所示)，TP結果可指示來自患者之與NPV誘發起源點相關之複數個影像經判定或經預測為與NPV誘發起源點相關。TN結果可指示來自患者之與PV誘發起源點相關之複數個影像經判定或經預測為與PV誘發起源點相關。FP結果可指示來自患者之與PV誘發起源點相關之複數個影像經判定或經預測為與NPV誘發起源點相關。FN結果可指示來自患者之與NPV誘發起源點相關之複數個影像經判定或經預測為與PV誘發起源點相關。經由本發明之影像處理程序400，準確性指示來自患者之複數個影像正確地經預測或判定之比率(或機率)。敏感度指示來自患者之與NPV誘發起源點相關之複數個影像正確地經預測或判定之比率(或機率)。特異度指示來自患者之與PV誘發起源點相關之複數個影像正確地經預測或判定之比率(或機率)。

在此情況下，對於每一影像(例如，PVCT影像)，準確性為82.4±2.0%，敏感度為64.3±5.4%，且特異度為88.4±1.9%。在此情況下，對於來自患者之每一組影像(例如，一組PVCT影像)，準確性為88.6±2.3%，敏感度為75.0±5.8%，且特異度為95.7±1.8%。

圖4中所展示之陣發性AF患者之數目及影像之數目可取決於所使用預訓練模型、影像之解析度、超參數之設定、影像之數目等而改變，且因此不限於上述實施例。

圖5A及圖5B說明根據本發明之一些實施例的接收者操作特性(ROC)曲線。圖5A說明對於每一影像(例如，每一PVCT影像)經由影像處理程序200之ROC曲線。圖5A說明對於每一患者經由影像處理程序400之ROC曲線。

圖5A中之虛線指示隨機猜測每一影像與NPV誘發起源點抑或PV誘發起源點相關之結果。圖5B中之虛線指示隨機猜測每一患者與NPV誘發起源點抑或PV誘發起源點相關之結果。圖5A中之實線可指示影像處理程序200之ROC曲線。圖5B中之實線可指示影像處理程序400之ROC曲線。因為影像處理程序200及400之ROC曲線兩者安置於虛線上方，因此影像處理程序200及400之判定或預測結果相較於隨機猜測好得多。

若曲線下面積(AUC)等於0.5(例如，圖5A或圖5B之虛線下之面積)，則判定或預測等於隨機猜測。若AUC大於0.5，則判定或預測相較於隨機猜測較佳。若AUC低於0.5，則判定或預測相較於隨機猜測較差。若AUC等於1，則判定或預測為完美的(亦即，所有判定或預測均正確)。在圖5A中，AUC等於0.82±0.01。在圖5B中，AUC等於0.88±0.07。影像處理程序200及400之判定或預測結果相較於隨機猜測要好得多。

圖6A及圖6B說明根據本發明之一些實施例的混淆矩陣。圖6A說明影像(例如，PVCT影像)中測試結果之混淆矩陣。圖6A說明影像處理程序200之測試結果之混淆矩陣。圖6B說明所有經測試患者中測試結果之混淆矩陣。圖6B說明影像處理程序400之測試結果之混淆矩陣。

在圖6A中，y軸指示與影像相關之實際誘發起源點，包括兩個值：NPV誘發起源點及PV誘發起源點。x軸指示與影像相關之經預測(或經判定)誘發起源點，包括兩個值：NPV誘發起源點及PV誘發起源點。具有較暗顏色之正方形指示更多情況。舉例而言，左上部正方形中所展示之數目(亦即，448)指示實際上與NPV誘發起源點相關之影像經預測或判定為與NPV誘發起源點相關的情況。左下部正方形中所展示之數目(亦即，252)指示實際上與PV誘發起源點相關之影像經預測或判定為與NPV誘發起源點相關之情況。左上部正方形中之顏色相較於左下部正方形中之顏色較暗，因為左上部正方形中之情況多於左下部正方形中之情況。左上部正方形及右下部正方形之顏色相較於其他正方形要暗得多。此可指示影像中測試結果之準確性(經由影像處理程序200)為高的。

在圖6B中，y軸指示與患者相關之實際誘發起源點，包括兩個值：NPV誘發起源點及PV誘發起源點。x軸指示與患者相關之經預測(或經判定)誘發起源點，包括兩個值：NPV誘發起源點及PV誘發起源點。具有較暗顏色之正方形指示更多情況。舉例而言，左上部正方形中所展示之數目(亦即，9)指示實際上與NPV誘發起源點相關之患者經預測或判定為與NPV誘發起源點相關的情況。左下部正方形中所展示之數目(亦即，1)指示實際上與PV誘發起源點相關之患者經預測或判定為與NPV誘發起源點相關之情況。左上部正方形中之顏色相較於左下部正方形中之顏色較暗，因為左上部正方形中之情況多於左下部正方形中之情況。左上部正方形及右下部正方形之顏色相較於其他正方形要暗得多。此可指示患者中測試結果之準確性(經由影像處理程序400)為高的。

圖7說明根據本發明之一些實施例的系統700。系統700可包括使用者終端710、資料庫720及伺服器終端730。使用者終端710可包括處理器711及記憶體712。記憶體712可儲存指令或命令以執行本發明之程序或操作。資料庫720可包括處理器721及記憶體722。記憶體722可儲存指令或命令以執行本發明之程序或操作。資料庫730可包括處理器731及記憶體732。記憶體732可儲存指令或命令以執行本發明之程序或操作。在一些實施例中，使用者終端710、資料庫720及伺服器終端730可進一步包括通信單元713、723及733，使得使用者終端710、資料庫720及伺服器終端730可彼此通信(例如，傳輸、接收、輸入、輸出及存取資料)。

在一些實施例中，使用者終端710可自資料庫720存取資料以供使用者使用(例如，以供醫師使用)。舉例而言，使用者終端710可自資料庫720存取PVCT影像以供使用者使用。使用者終端710可將請求傳輸至資料庫720，此資料庫720可將使用者終端710選定之一或多個影像傳輸至伺服器終端730以供進一步影像處理或誘發起源點預測。在一些實施例中，使用者終端710可將請求傳輸至資料庫720，此資料庫720可將藉由使用者終端710選定之與患者相關聯之一或多個影像傳輸至伺服器終端730以供進一步影像處理或誘發起源點預測。

當伺服器終端730接收用於影像處理之請求及相關聯的一或多個影像時，伺服器終端730可使用該一或多個影像中之每一者以作為輸入影像101(如圖1或3中所展示)並將每一影像輸入至影像處理程序200(如圖1或3中所展示)以執行影像處理。在一些實施例中，當伺服器終端730接收用於影像處理之請求及與選定患者相關聯之一或多個影像時，伺服器終端730可使用該一或多個影像以作為輸入影像101(如圖2中所示)並將該一或多個影像輸入至影像處理程序400(如圖2中所示)以執行影像處理。

經由影像處理程序200，回應於自資料庫720接收到之選定一或多個影像中之每一者，伺服器終端730可產生輸出301及302。輸出301及302中之每一者可為機率值。輸出301與302之總和可等於1。在一些實施例中，輸出301及302中之一者可指示輸入影像101與NPV誘發起源點相關之機率；輸出301及302中之另一者可指示輸入影像101與PV誘發起源點相關之機率。在一些實施例中，當輸入影像101與NPV誘發起源點相關之機率大於0.5時，對應輸入影像101可經判定為與NPV誘發起源點相關。

經由影像處理程序400，回應於自資料庫720接收到之選定患者之該一或多個影像，伺服器終端730可產生輸出501。藉由影像處理程序400產生之輸出501可為指示選定患者之該一或多個影像是否經判定為與至少一個NPV誘發起源點相關之值。舉例而言，當輸出501等於1時，選定患者之該一或多個影像可經判定為與至少一個NPV誘發起源點相關。當輸出501等於0時，選定患者之該一或多個影像可經判定為與至少一個PV誘發起源點相關。在一些實施例中，當選定患者之自資料庫720接收到之該一或多個影像中多於一半經判定或預測為與NPV誘發起源點相關時，輸出501可指示選定患者之該一或多個影像經判定或預測為與NPV誘發起源點相關。當選定患者之自資料庫720接收到之該一或多個影像中少於一半經判定或預測為與NPV誘發起源點相關時，輸出501可指示選定患者之該一或多個影像經判定或預測為與PV誘發起源點相關。

伺服器終端730可將輸出(輸出301及302或輸出501)傳輸至資料庫720及使用者終端710。根據伺服器終端730之輸出，使用者終端710之使用者(例如，醫師)可判定心房顫動(例如，陣發性心房顫動)係由NPV誘發起源點抑或PV誘發起源點引起。

根據本發明之實施例的方法亦可實施於程式化處理器上。然而，控制器、流程圖及模組亦可實施於通用或專用電腦、程式化微處理器或微控制器及周邊積體電路元件、積體電路、諸如離散元件電路等硬體電子或邏輯電路、可程式化邏輯裝置或其類似者上。一般而言，上面駐存有能夠實施圖式中所展示之流程圖之有限狀態機的任何裝置可用於實施本申請案之處理器功能。舉例而言，本發明之實施例提供用於影像處理之設備，包括處理器及記憶體。用於實施用於處理影像之方法之電腦可程式化指令儲存於記憶體中，且處理器經組態以執行電腦可程式化指令以實施用於處理影像之方法。該方法可為如上文所陳述之方法，或根據本發明之實施例的其他方法。

替代實施例較佳地以儲存電腦可程式化指令之非暫時性電腦可讀儲存媒體形式實施根據本發明之實施例的方法。指令較佳地由電腦可執行組件執行。非暫時性電腦可讀儲存媒體可儲存於任何合適的電腦可讀媒體上，諸如RAM、ROM、快閃記憶體、EEPROM、光學儲存裝置(CD或DVD)、硬碟機、軟碟機，或任何合適的裝置。電腦可執行組件較佳地為處理器，但指令可替代地或另外由任何合適的專用硬體裝置執行。舉例而言，本發明之實施例提供其中儲存有電腦可程式化指令之非暫時性電腦可讀儲存媒體。電腦可程式化指令經組態以實施如上文所陳述之用於處理影像之方法，或根據本發明之實施例的其他方法。

儘管本申請案已藉由其特定實施例進行描述，但顯而易見的是，許多替代方案、修改及變化可對熟習此項技術者顯而易見。舉例而言，在其他實施例中，實施例之各種組件可互換、添加或取代。並且，每一圖之所有元件對於所揭示實施例之操作並非必需的。舉例而言，將使得一般熟習所揭示實施例之技術者能夠藉由僅採用獨立技術方案之要素來產生及使用本申請案之教示內容。因此，如本文中所闡述之本申請案之實施例意欲為說明性的，而非限制性的。可在不脫離本申請案之精神及範疇的情況下進行各種改變。

除非上下文另外明確地指示，否則如本文中所使用，單數術語「一(a/an)」及「該(the)」可包括複數個指代物。舉例而言，除非上下文另外明確地指示，否則對電子裝置之參考可包括多個電子裝置。

如本文中所使用，術語「連接(connect/connected/connection)」可指代操作性耦接或鏈接。可例如經由另一組件集合將經連接組件直接地或間接地彼此耦接。

另外，有時在本文中按範圍格式提出量、比率及其他數值。應理解，此類範圍格式係為便利及簡潔起見而使用，且應靈活地理解為不僅包括明確指定為範圍限制之數值，且亦包括涵蓋於彼範圍內之所有個別數值或子範圍，如同明確指定每一數值及子範圍一般。

儘管本發明已參考其特定實施例進行描述及說明，但此等描述及說明並不為限制性的。熟習此項技術者應理解，在不脫離如由所附申請專利範圍界定的本發明之真實精神及範疇的情況下，可作出各種改變且可取代等效物。說明可不必按比例繪製。由於製造程序及公差，在本發明中之藝術再現與實際設備之間可能存在區別。可存在並未特定說明之本發明的其他實施例。應將本說明書及圖式視為說明性而非限制性的。可做出修改，以使特定情形、材料、物質組成、方法或程序適應於本發明之目標、精神及範疇。所有此類修改皆意欲屬於在此所附之申請專利範圍之範疇內。儘管已參考按特定次序執行之特定操作來描述本文中所揭示之方法，但應理解，在不脫離本發明之教示的情況下，可組合、再細分，或重新定序此等操作以形成等效方法。因此，除非本文中另外特定地指示，否則操作之次序及分組並非本發明之限制。

為了進一步理解本發明，一些相關參考文獻列於如下。 [1] LeCun Y, Bengio Y, Hinton G. Deep learning.Nature 2015;521 : 436-44. [2] Calkins H, Hindricks G, Cappato R, Kim YH, Saad EB, Aguinaga L, et al. 2017 HRS/EHRA/ECAS/APHRS/SOLAECE expert consensus statement on catheter and surgical ablation of atrial fibrillation. Heart Rhythm. 2017;14:e275-e444.. [3] Chen SA, Hsieh MH, Tai CT, Tsai CF, Prakash VS, Yu WC, et al. Initiation of atrial fibrillation by ectopic beats originating from the pulmonary veins: electrophysiological characteristics, pharmacological responses, and effects of radiofrequency ablation. Circulation. 1999;100:1879-86. [4] Chang SL, Tai CT, Lin YJ, Wongcharoen W, Lo LW, Lee KT, et al. The role of left atrial muscular bundles in catheter ablation of atrial fibrillation. Journal of the American College of Cardiology. 2007;50:964-73. [5] McLellan AJ, Ling LH, Ruggiero D, Wong MC, Walters TE, Nisbet A, et al. Pulmonary vein isolation: the impact of pulmonary venous anatomy on long-term outcome of catheter ablation for paroxysmal atrial fibrillation. Heart Rhythm. 2014;11:549-56. [6] Hof I, Chilukuri K, Arbab-Zadeh A, Scherr D, Dalal D, Nazarian S, et al. Does left atrial volume and pulmonary venous anatomy predict the outcome of catheter ablation of atrial fibrillation? Journal of cardiovascular electrophysiology. 2009;20:1005-10. [7] Abecasis J, Dourado R, Ferreira A, Saraiva C, Cavaco D, Santos KR, et al. Left atrial volume calculated by multi-detector computed tomography may predict successful pulmonary vein isolation in catheter ablation of atrial fibrillation. Europace. 2009;11:1289-94. [8] He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition.  2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)2016. p. 770-8. [9] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation.  International Conference on Medical image computing and computer-assisted intervention: Springer; 2015. p. 234-41. [10] Mikołajczyk A, Grochowski M. Data augmentation for improving deep learning in image classification problem.  2018 International Interdisciplinary PhD Workshop (IIPhDW)2018. p. 117-22. [11] Cheng WH, Lo LW, Lin YJ, Chang SL, Hu YF, Hung Y, et al. Ten-year ablation outcomes of patients with paroxysmal atrial fibrillation undergoing pulmonary vein isolation. Heart Rhythm. 2019;16:1327-33. [12] Tops LF, Schalij MJ, den Uijl DW, Abraham TP, Calkins H, Bax JJ. Image integration in catheter ablation of atrial fibrillation. Europace. 2008;10 Suppl 3:iii48-56. [13] Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature medicine. 2019;25:44-56. [14] Hannun AY, Rajpurkar P, Haghpanahi M, Tison GH, Bourn C, Turakhia MP, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature medicine. 2019;25:65-9. [15] Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nature medicine. 2019;25:70-4. [16] Kwon JM, Lee Y, Lee Y, Lee S, Park J. An Algorithm Based on Deep Learning for Predicting In-Hospital Cardiac Arrest. Journal of the American Heart Association. 2018;7. [17] Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim S, Kim KH, et al. Deep-learning-based out-of hospital cardiac arrest prognostic system to predict clinical outcomes. Resuscitation. 2019; 139:84-91. [18] Zheng Y, Barbu A, Georgescu B, Scheuering M, Comaniciu D. Four-chamber heart modeling and automatic segmentation for 3-D cardiac CT volumes using marginal space learning and steerable features. IEEE Trans Med Imaging. 2008;27:1668-81. [19] Dormer JD, Ma L, Halicek M, Reilly CM, Schreibmann E, Fei B. Heart Chamber Segmentation from CT Using Convolutional Neural Networks. Proc SPIE Int Soc Opt Eng. 2018;10578. [20] Cardoso MJ, Arbel T, Carneiro G, Syeda-Mahmood T, Tavares JMRS, Moradi M, et al. Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support2017. [21] Chang HY, Lo LW, Lin YJ, Chang SL, Hu YF, Li CH, et al. Long-term outcome of catheter ablation in patients with atrial fibrillation originating from nonpulmonary vein ectopy. Journal of cardiovascular electrophysiology. 2013;24:250-8. [22] Shin SH, Park MY, Oh WJ, Hong SJ, Pak HN, Song WH, et al. Left atrial volume is a predictor of atrial fibrillation recurrence after catheter ablation. J Am Soc Echocardiogr. 2008;21:697-702. [23] Hogarty DT, Mackey DA and Hewitt AW. Current state and future prospects of artificial intelligence in ophthalmology: a review.Clinical & experimental ophthalmology . 2018. [24] Maxmen A. Deep learning sharpens views of cells and genes.Nature . 2018;553:9-10. [25] Ehteshami Bejnordi B, Veta M, Johannes van Diest P, van Ginneken B, Karssemeijer N, Litjens G, van der Laak J, Hermsen M, Manson QF, Balkenhol M, Geessink O, Stathonikos N, van Dijk MC, Bult P, Beca F, Beck AH, Wang D, Khosla A, Gargeya R, Irshad H, Zhong A, Dou Q, Li Q, Chen H, Lin HJ, Heng PA, Hass C, Bruni E, Wong Q, Halici U, Oner MU, Cetin-Atalay R, Berseth M, Khvatkov V, Vylegzhanin A, Kraus O, Shaban M, Rajpoot N, Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N, Watanabe S, Seno S, Takenaka Y, Matsuda H, Ahmady Phoulady H, Kovalev V, Kalinovsky A, Liauchuk V, Bueno G, Fernandez-Carrobles MM, Serrano I, Deniz O, Racoceanu D and Venancio R. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer.Jama . 2017;318:2199-2210. [26] Kleppe A, Albregtsen F, Vlatkovic L, Pradhan M, Nielsen B, Hveem TS, Askautrud HA, Kristensen GB, Nesbakken A, Trovik J, Waehre H, Tomlinson I, Shepherd NA, Novelli M, Kerr DJ and Danielsen HE. Chromatin organisation and cancer prognosis: a pan-cancer study.The Lancet Oncology . 2018;19:356-369. [27] Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM and Thrun S. Dermatologist level classification of skin cancer with deep neural networks.Nature . 2017; 542:115-118. [28] Lakhani P and Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks.Radiology . 2017; 284:574-582. [29] Titano JJ, Badgeley M, Schefflein J, Pain M, Su A, Cai M, Swinburne N, Zech J, Kim J, Bederson J, Mocco J, Drayer B, Lehar J, Cho S, Costa A and Oermann EK. Automated deep neural-network surveillance of cranial images for acute neurologic events.Nature medicine . 2018; 24:1337-1341. [30] Abelson S, Collord G, Ng SWK, Weissbrod O, Mendelson Cohen N, Niemeyer E, Barda N, Zuzarte PC, Heisler L, Sundaravadanam Y, Luben R, Hayat S, Wang TT, Zhao Z, Cirlan I, Pugh TJ, Soave D, Ng K, Latimer C, Hardy C, Raine K, Jones D, Hoult D, Britten A, McPherson JD, Johansson M, Mbabaali F, Eagles J, Miller JK, Pasternack D, Timms L, Krzyzanowski P, Awadalla P, Costa R, Segal E, Bratman SV, Beer P, Behjati S, Martincorena I, Wang JCY, Bowles KM, Quiros JR, Karakatsani A, La Vecchia C, Trichopoulou A, Salamanca-Fernandez E, Huerta JM, Barricarte A, Travis RC, Tumino R, Masala G, Boeing H, Panico S, Kaaks R, Kramer A, Sieri S, Riboli E, Vineis P, Foll M, McKay J, Polidoro S, Sala N, Khaw KT, Vermeulen R, Campbell PJ, Papaemmanuil E, Minden MD, Tanay A, Balicer RD, Wareham NJ, Gerstung M, Dick JE, Brennan P, Vassiliou GS and Shlush LI. Prediction of acute myeloid leukaemia risk in healthy individuals.Nature . 2018; 559:400-404. [31] Haissaguerre M, Jais P, Shah DC, Takahashi A, Hocini M, Quiniou G, Garrigue S, Le Mouroux A, Le Metayer P and Clementy J. Spontaneous initiation of atrial fibrillation by ectopic beats originating in the pulmonary veins.The New England journal of medicine . 1998; 339:659-66. [32] Chen SA, Hsieh MH, Tai CT, Tsai CF, Prakash VS, Yu WC, Hsu TL, Ding YA and Chang MS. Initiation of atrial fibrillation by ectopic beats originating from the pulmonary veins: electrophysiological characteristics, pharmacological responses, and effects of radiofrequency ablation.Circulation . 1999;100:1879-86. [33] Calkins H, Hindricks G, Cappato R, Kim YH, Saad EB, Aguinaga L, Akar JG, Badhwar V, Brugada J, Camm J, Chen PS, Chen SA, Chung MK, Nielsen JC, Curtis AB, Davies DW, Day JD, d'Avila A, de Groot N, Di Biase L, Duytschaever M, Edgerton JR, Ellenbogen KA, Ellinor PT, Ernst S, Fenelon G, Gerstenfeld EP, Haines DE, Haissaguerre M, Helm RH, Hylek E, Jackman WM, Jalife J, Kalman JM, Kautzner J, Kottkamp H, Kuck KH, Kumagai K, Lee R, Lewalter T, Lindsay BD, Macle L, Mansour M, Marchlinski FE, Michaud GF, Nakagawa H, Natale A, Nattel S, Okumura K, Packer D, Pokushalov E, Reynolds MR, Sanders P, Scanavacca M, Schilling R, Tondo C, Tsao HM, Verma A, Wilber DJ and Yamane T. 2017 HRS/EHRA/ECAS/APHRS/SOLAECE expert consensus statement on catheter and surgical ablation of atrial fibrillation.Heart Rhythm . 2017;14:e275-e444. [34] Hayashi K, An Y, Nagashima M, Hiroshima K, Ohe M, Makihara Y, Yamashita K, Yamazato S, Fukunaga M, Sonoda K, Ando K and Goya M. Importance of nonpulmonary vein foci in catheter ablation for paroxysmal atrial fibrillation.Heart Rhythm . 2015;12:1918-24. [35] Takigawa M, Takahashi A, Kuwahara T, Okubo K, Takahashi Y, Nakashima E, Watari Y, Yamao K, Nakajima J, Takagi K, Kimura S, Hikita H, Hirao K and Isobe M. Impact of Non-Pulmonary Vein Foci on the Outcome of the Second Session of Catheter Ablation for Paroxysmal Atrial Fibrillation.Journal of cardiovascular electrophysiology . 2015;26:739-46. [36] Lin WS, Tai CT, Hsieh MH, Tsai CF, Lin YK, Tsao HM, Huang JL, Yu WC, Yang SP, Ding YA, Chang MS and Chen SA. Catheter ablation of paroxysmal atrial fibrillation initiated by non-pulmonary vein ectopy.Circulation . 2003; 107:3176-83. [37] Mohanty S, Trivedi C, Gianni C, Della Rocca DG, Morris EH, Burkhardt JD, Sanchez JE, Horton R, Gallinghouse GJ, Hongo R, Beheiry S, Al-Ahmad A, Di Biase L and Natale A. Procedural findings and ablation outcome in patients with atrial fibrillation referred after two or more failed catheter ablations.Journal of cardiovascular electrophysiology . 2017; 28:1379-1386. [38] Lo LW, Lin YJ, Chang SL, Hu YF, Chao TF, Chung FP, Liao JN, Chiou CW, Tsao HM and Chen SA. Predictors and Characteristics of Multiple (More Than 2) Catheter Ablation Procedures for Atrial Fibrillation.Journal of cardiovascular electrophysiology . 2015;26:1048-56. [39] Cheng WH, Lo LW, Lin YJ, Chang SL, Hu YF, Hung Y, Chung FP, Liao JN, Tuan TC, Chao TF, Tsai TY, Liu SH and Chen SA. Ten-year ablation outcomes of patients with paroxysmal atrial fibrillation undergoing pulmonary vein isolation.Heart Rhythm . 2019;16:1327-1333. [40] He K, Zhang X, Ren S and Sun J. Deep Residual Learning for Image Recognition.2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) . 2016:770-778. [41] Mikołajczyk A and Grochowski M. Data augmentation for improving deep learning in image classification problem.2018 International Interdisciplinary PhD Workshop (IIPhDW) . 2018:117-122. [42] Moshkov N, Mathe B, Kertesz-Farkas A, Hollandi R and Horvath P. Test-time augmentation for deep learning-based cell segmentation on microscopy images.bioRxiv . 2019:814962. [43] Chen YJ, Chen SA, Tai CT, Wen ZC, Feng AN, Ding YA and Chang MS. Role of atrial electrophysiology and autonomic nervous system in patients with supraventricular tachycardia and paroxysmal atrial fibrillation.Journal of the American College of Cardiology . 1998;32:732-8. [44] Verma A, Jiang CY, Betts TR, Chen J, Deisenhofer I, Mantovan R, Macle L, Morillo CA, Haverkamp W, Weerasooriya R, Albenque JP, Nardi S, Menardi E, Novak P and Sanders P. Approaches to catheter ablation for persistent atrial fibrillation.The New England journal of medicine . 2015;372:1812-22. [45] Santangeli P and Marchlinski FE. Techniques for the provocation, localization, and ablation of non-pulmonary vein triggers for atrial fibrillation.Heart Rhythm . 2017;14:1087-1096. [46] Tsai CF, Tai CT, Hsieh MH, Lin WS, Yu WC, Ueng KC, Ding YA, Chang MS and Chen SA. Initiation of atrial fibrillation by ectopic beats originating from the superior vena cava: electrophysiological characteristics and results of radiofrequency ablation.Circulation . 2000;102:67-74. [47] Hung Y, Lo LW, Lin YJ, Chang SL, Hu YF, Chung FP, Tuan TC, Chao TF, Liao JN, Walia R, Te ALD, Yamada S, Lin CH, Chang YT, Lin CY, Chan CS, Liao YC, Raharjo S, Allamsetty S and Chen SA. Characteristics and long-term catheter ablation outcome in long-standing persistent atrial fibrillation patients with non-pulmonary vein triggers.International journal of cardiology . 2017;241:205-211. [48] Lin WS, Prakash VS, Tai CT, Hsieh MH, Tsai CF, Yu WC, Lin YK, Ding YA, Chang MS and Chen SA. Pulmonary vein morphology in patients with paroxysmal atrial fibrillation initiated by ectopic beats originating from the pulmonary veins: implications for catheter ablation.Circulation . 2000;101:1274-81. [49] Satoh T and Zipes DP. Unequal atrial stretch in dogs increases dispersion of refractoriness conducive to developing atrial fibrillation.Journal of cardiovascular electrophysiology . 1996;7:833-42. [50] Lee SH, Tai CT, Hsieh MH, Tsao HM, Lin YJ, Chang SL, Huang JL, Lee KT, Chen YJ, Cheng JJ and Chen SA. Predictors of non-pulmonary vein ectopic beats initiating paroxysmal atrial fibrillation: implication for catheter ablation.Journal of the American College of Cardiology . 2005;46:1054-9. [51] Schauerte P, Scherlag BJ, Patterson E, Scherlag MA, Matsudaria K, Nakagawa H, Lazzara R and Jackman WM. Focal atrial fibrillation: experimental evidence for a pathophysiologic role of the autonomic nervous system.Journal of cardiovascular electrophysiology . 2001;12:592-9. [52] AlTurki A, Marshall HJ and Proietti R. Targeting nonpulmonary vein triggers during atrial fibrillation ablation: is the game worth the candle?Current opinion in cardiology . 2018;33:50-57. [53] Chang HY, Lo LW, Lin YJ, Chang SL, Hu YF, Li CH, Chao TF, Chung FP, Ha TL, Singhal R, Chong E, Yin WH, Tsao HM, Hsieh MH and Chen SA. Long-term outcome of catheter ablation in patients with atrial fibrillation originating from nonpulmonary vein ectopy.Journal of cardiovascular electrophysiology . 2013;24:250-8. [54] Zhao Y, Di Biase L, Trivedi C, Mohanty S, Bai R, Mohanty P, Gianni C, Santangeli P, Horton R, Sanchez J, Gallinghouse GJ, Zagrodzky J, Hongo R, Beheiry S, Lakkireddy D, Reddy M, Hranitzky P, Al-Ahmad A, Elayi C, Burkhardt JD and Natale A. Importance of non-pulmonary vein triggers ablation to achieve long-term freedom from paroxysmal atrial fibrillation in patients with low ejection fraction.Heart Rhythm . 2016;13:141-9. [55] Mikołajczyk A, Grochowski M. Data augmentation for improving deep learning in image classification problem. Paper presented at: 2018 International Interdisciplinary PhD Workshop (IIPhDW); 9-12 May 2018, 2018. [56] Calkins H, Hindricks G, Cappato R, et al. 2017 HRS/EHRA/ECAS/APHRS/SOLAECE expert consensus statement on catheter and surgical ablation of atrial fibrillation. Heart Rhythm Oct 2017;14:e275-e444.

為了進一步理解本發明，與本發明相關之更多細節描述提供於下文中。 1.  使用深度學習技術自二維電腦斷層掃描影像自動提取左心房容積  1.1摘要

背景 ：電腦斷層掃描(CT)影像中左心房(LA)之精確分割為心房顫動(AF)電氣燒灼術關鍵預備步驟之一。吾人旨在應用深度卷積神經網路(DCNN)以使LA偵測/分割程序自動化並產生三維(3D)幾何結構。

方法 ：登記接受用於四條肺靜脈之環向隔離之程序的五百一十八名患者。心臟CT影像(來自97名患者)用於建構LA偵測及分割模型。此等影像由心臟病科醫師審查使得含有LA之影像經識別/分割為用於模型訓練之真實資料。藉由ResNet50/U-Net之架構併入遷移學習之兩個DCNN經訓練以進行基於影像之LA分類/分割。由深度學習模型產生之LA幾何結構與AF電氣燒灼術結果有關。

結果 ：LA偵測模型實現整體99.0%之預測準確性，以及99.3%之敏感度及98.7%之特異度。此外，LA分割模型實現91.42%之交集對併集。本文中藉由深度學習模型所研究的所有518名患者之所估計平均LA容積為123.3±40.4 ml。所產生之139 ml之LA容積下之最大曲線下面積具有85.5%之陽性預測值而在電氣燒灼術之後一年之時間段內不會出現可偵測AF發作。

結論 ：深度學習提供用於基於該3D LA幾何結構之建構進行自動輪廓化及LA容積計算之高效且準確的方式。

關鍵詞 ：心房顫動、深度學習、人工智慧、左心房、分割。 1.2概述

人工智慧(AI)為旨在藉由模擬人類學習能力、知識儲存及思維過程來執行人類層級認知任務的電腦科學之特定領域。接近AI之推進技術，深度學習構成能夠在大量多變數特徵(包括非結構化資料，諸如影像)之間近似高度複雜關係的快速發展技術。

心房顫動(AF)之存在將使缺血性中風之風險增加五倍，心臟衰竭之風險增加三倍，且可導致癡呆及死亡。在當前時代中，環肺靜脈隔離術(PVI)為AF電氣燒灼術之基礎。在先前研究中，左心房(LA)展示為用於AF之維持的主要解剖結構。許多解剖LA特徵已被研究且與臨床結果有關，且已發現對於在射頻導管電氣燒灼術之後預測AF復發，包括較大靜脈間脊長度及較大LA容積尤其重要。在此研究中，吾人應用用於肺靜脈電腦斷層掃描(PVCT)影像之LA偵測及分割的深度學習技術。在每一所研究切片中之LA分割之後，自動產生三維(3D)幾何結構。基於3D幾何結構計算之LA容積經量化且與臨床預後有關。使用不同模型架構建立基於遷移學習技術之兩種深度卷積神經網路(DCNN)。吾人之研究旨在藉由預訓練之ResNet50神經網路分類器基於使用PVCT影像實現LA之準確分割，且描繪基於具有經預處理影像之經修改UNet的LA之輪廓。 1.3方法

此研究由臺灣臺北之臺北榮民總醫院(Taipei Veterans General Hospital)之機構審查委員會核准(VGH-IRB編號：2013-08-002AC#1)，「心房顫動之預測處理及影響之機器學習(Machine learning in predicting treatment and the impact of atrial fibrillation)」。患者記錄/資訊在分析之前為匿名的且未經識別。 1.3.1研究群體及PVCT資料集

在對症狀藥物難治性陣發性AF之研究中包括在2005年5月1日與2017年11月與30日之間接受射頻導管電氣燒灼術之五百一十八名患者。此回溯性觀察性研究係基於在臺北榮民總醫院資料庫處對PVCT之註冊表的分析而執行。PVCT在所有研究患者中之導管電氣燒灼術之前執行。PVCT之指示包括計劃進行導管電氣燒灼術之患有心房顫動之患者之手術前評定，及LA之評估。PVCT切片(各自厚度為1至3 mm，每一患者20至200個切片，且所有518名患者總計38603個影像)用於用於LA偵測及分割之深度學習程序中。所有患者在掃描期間且在舒張末期LA階段期間具有竇性心律。基於此等患者之研究，此階段似乎具有最大LA容積，且用於評定。

包括過去醫療史、風險因素、共病及藥物之臨床變數獲自以下之醫療記錄：一級/二級轉診醫院、門診、急診、健康資訊應用協作中心(CCHIA)及臺灣衛生福利部。國際疾病分類(ICD-9及ICD-10)碼之第九及第十次修訂本亦用於識別潛在疾病之存在，包括糖尿病、高血壓、冠狀動脈疾病、心臟衰竭、慢性腎病、肝病、心肌梗塞及心臟瓣膜病。 1.4用於LA影像分類、分割及3D幾何結構產生之深度學習

PVCT訓練資料集及影像預處理之細節描述於補充文字(補充文字-用於LA偵測及分割/影像預處理之PVCT訓練資料集)中。 1.4.1影像分類模型

對於影像分類，卷積神經網路(CNN)藉由利用遷移學習技術使用fastai庫(版本1.0)在此研究中採用為基本影像分類方法。藉此，選擇ResNet50，2015年ImageNet大規模視覺辨識挑戰(ILSVRC)之獲勝者以作為基礎預訓練模型。因此，保留其初始特徵提取部分，且用自定義深度神經網路分類器替換其最終分類部分(在此情況下，最後兩個層)。分類器由以下組成：一組經串接平均/最大彙集層，繼之以平化層及兩組批次正規化、丟棄及線性變換層。另外，在兩個線性變換層之後分別應用兩種類型之非線性激活函數-整流線性單元函數(ReLU)及SoftMax函數之對數。以此方式，將來自基礎預訓練模型之特徵向量輸出饋入至自定義深度神經網路分類器中以產生二進位預測(亦即，在具有/不具有LA的情況下)。對於醫學影像分析，使用基於大量其他類型之影像(例如天然影像)預訓練之模型之此遷移學習方法具有克服醫學影像之常常受限資料體積之優勢。因此，據報導，與僅基於醫學影像重新建立之神經網路模型相比，其較準確及穩固。

使用資料擴增及學習速率之最佳化以達成深度學習模型之較佳效能的訓練技術之細節描述於補充文字(補充文字-資料擴增及學習速率之最佳化)中。 1.4.2影像分割模型

對於影像分割，採用結合遷移學習技術之經修改U-Net架構以改良典型U-Net架構之效能。

如在影像分類之情況下，應用資料擴增(隨機移位、旋轉、縮放及/或翻轉影像)以改良模型一般化能力。此外，由於影像分割模型以細粒度輪廓而非影像類別之預測為目標，因此影像變形經進一步實施以在此方面加速模型之一般化能力。用於評估此研究中之預測結果的公式為交集對併集(IoU)，且經定義為重疊面積對併集面積(補充文字-LA分割及IoU之模型訓練)。 1.4.3藉由深度學習模型之LA幾何結構之逐步產生

在LA分類及LA分割模型之設置之後，LA之3D幾何結構之產生為高效且省時的。首先，將來自421名患者(總共518名患者減去用於模型訓練、驗證及測試群組中之97名患者)之PVCT影像輸入至深度學習模型中以選擇含有LA之PVCT影像。其次，在具有LA之選定PVCT影像當中，使用LA分割模型進行每一切片之LA分割。最後，基於所有二維(2D)PVCT切片之組合以大致1至3 mm之切片間間隔產生3D LA幾何結構。線性內插之公式用於3D模型幾何結構之最佳化。在LA之3D模型之建構之後自動地計算LA容積。圖8中展示基於使用深度學習方法之LA分類、LA分割及LA 3D幾何結構產生的逐步演算法。圖8展示藉由深度學習構建LA之3D幾何結構及LA分割之流程圖。 1.4.4 AF電氣燒灼術

在提供書面知情同意書之後，所有患者經歷在空腹狀態下執行之標準化電生理學研究。在電生理學研究及電氣燒灼術程序之前，除胺碘酮外，所有抗心律不齊藥劑均停藥至少五個半衰期。先前已詳細描述患者中所採用之導管電氣燒灼術之詳細程序。 1.4.5電氣燒灼術後追蹤

電氣燒灼術後追蹤之細節描述於補充文字(補充文字-電氣燒灼術後追蹤)中。 1.4.6統計分析

患者特性表達為連續變數之平均值±標準差，且表達為分類變數之頻率(百分比)。使用司圖頓t檢驗(Student's t-test)及卡方檢驗(chi-square test)藉由耶茨校正比較連續及分類變數。使用卡方檢驗或確切費歇爾檢驗(Fisher test)比較比例。使用對數秩測試之卡本-麥爾存活曲線分析被應用於檢查在無復發之情況下的存活率。多變量Cox比例危險回歸包括變數，其中P ＜ 0.1，單變量分析結果表達為具有95%信賴區間(CI)之危險比率(HR)。統計顯著性設定為P ＜ 0.05。使用SPSS(版本18.0，美國伊利諾伊州芝加哥之SPSS公司)執行統計分析。 1.5結果  1.5.1經研究患者之基線特性

表1中展示經研究患者之基線特性。研究群體之平均年齡為54.2±11.0歲，且365名患者(70.5%)為男性患者。所有患者均接受所有四肺靜脈(PV)環向隔離，66名患者(12.7%)接受額外LA線性電氣燒灼術，且20名(3.9%)患者接受複雜分級分離心房電描記圖(CFAE)電氣燒灼術。此外，非肺靜脈(NPV)誘發起源點存在於96名患者(18.5%)中。表1展示陣發性AF患者之基線特性。

基線特性	AF復發 (N = 254)	AF未復發 (N = 264)	總計 (N = 518)	P值
年齡，歲	55.1±10.8	53.4±11.2	54.2±11.0	0.082
男性，n (%)	188 (74.0)	177 67.0)	365 (70.5)	0.082
BMI (kg/m2 )	25.2±3.9	24.4±4.5	24.8±4.2	0.043
BSA (m2 )	1.82±0.26	1.75±0.29	1.78±0.28	0.008
HTN，n (%)	121 (47.6)	128 (48.5)	249 (48.1)	0.847
高脂質血症，n (%)	73 (28.7)	77 (29.2)	150 (29.0)	0.915
DM，n (%)	33 (13.0)	30 (11.4)	63 (12.2)	0.571
CAD，n (%)	55 (21.7)	49 (18.6)	104 (20.1)	0.380
CHF，n (%)	16 (6.3)	4 (1.5)	20 (3.9)	0.005
陳舊性缺血性中風/TIA，n (%)	10 (3.9)	5 (1.9)	15 (2.9)	0.166
甲狀腺高能症，n (%)	35 (13.8)	32 (12.1)	67 (12.9)	0.574
CHADS2	0.9±0.9	0.8±0.9	0.8±0.9	0.477
CHA2 DS2 -VASc	1.2±1.1	1.1±1.0	1.2±1.0	0.483
LA容積(ml)	136.7±46.0	110.3±28.9	123.3±40.4	＜0.001
LA容積/BSA (ml)	75.5±26.9	62.1±16.0	68.8±23.0	＜0.001
超聲心動圖參數
LAD (mm)	39.3±6.3	36.7±5.3	38.0±5.9	＜0.001
LVEF (%)	59.6±5.9	59.7±6.8	59.7±6.3	0.793
NPV誘發起源點，n (%)	45 (17.7)	51 (19.3)	96 (18.5)	0.639
重複程序	66 (26.0)	57 (21.6)	123 (23.7)	0.240
指標程序中之電氣燒灼術程序
CFAE	10 (3.9)	10 (3.8)	20 (3.9)	0.930
線性電氣燒灼術†	43 (16.9)	23 (8.7)	66 (12.7)	0.005

表 1 值為變數之數目及百分比(%)±標準差。 縮寫：BMI，身體質量指數；BSA，體表面積；CAD，冠狀動脈疾病；CFAE，複雜分級分離心房電描記圖；CHF，慢性心臟衰竭；DM，糖尿病；HTN，高血壓；LA，左心房；LAD，左心房直徑；LVEF，左心室射出分率；NPV，非肺靜脈；TIA，短暫局部缺血性發作。 †線性電氣燒灼術包括LA頂部線、二尖瓣線、隔膜線及CS線。 1.5.2 LA影像分類

在518名患者當中，來自77名患者之5894個影像包括於用於LA分類模型之訓練及驗證群組中。總共20名患者及1431個影像用於測試群組。測試群組中之LA分類之訓練模型實現整體99.0%之準確性，99.2%之F1得分，99.3%之敏感度比率，98.7%之特異度，99.0%之陽性預測值及99.0%之陰性預測值。測試群組中最終預測結果之混淆矩陣展示於圖9中。

圖9說明左心房(LA)影像分類之接收者操作特性(ROC)曲線及混淆矩陣。混淆矩陣之結果描繪準確性99.0%、敏感度99.3%、特異度98.7%、陽性預測值99.0%及陰性預測值99.0%。 1.5.2 LA影像分割

總體而言，具有分裂資料集上之預訓練模型的U-Net與其非遷移學習對應物相比顯示較快收斂速度及總體改良之IoU。亦值得注意的係，具有傳統資料擴增及變形之影像之IoU在測試組上超過90%水準(達到91.4%)。LA分割之真實資料及LA分割之UNet在圖10中展示。

圖10說明真實資料及U-Net LA分割。圖10之左部展示在輪廓化之前的心臟影像。圖10之右部展示在輪廓化之後的心臟影像。一個部分為與U-Net相關聯之區域。一些部分為描繪為真實資料之區域。較大部分表示重疊區域並引起91.4%之交集對併集(IoU)估計值。 1.5.3藉由深度學習及臨床應用之LA幾何結構之逐步產生

自所有518名患者自動計算之平均LA容積為123.3±40.4 ml，其中深度學習基於所產生之3D LA幾何結構。針對LA容積及藉由體表面積(BSA)標準化之LA容積標繪接受者操作特性(ROC)曲線(藉由多切片PVCT影像估計)，以預測在1及2年時間段內之電氣燒灼術後AF復發(在1及2年時間段內LA容積/[LA容積/BSA]下AF復發中預測之曲線下面積[AUC]分別為0.742/0.736及0.696/0.684)(圖11A及圖11B)。亦標繪ROC曲線以展示LA直徑，其係基於經胸超聲心動圖資料量測以預測1及2年時間段內之電氣燒灼術後AF復發(1及2年時間段內LA直徑下AF復發中預測之AUC分別為0.618及0.621)(圖11A及11B)。LA容積相較於LA直徑對AF復發具有較佳預測比率。LA容積之最佳預測能力出現在電氣燒灼術之後1年，且其在程序之後第二年降低。對於139 ml之LA容積，出現最大AUC。LA容積小於139 ml之此截止值的患者在術後一年追蹤時在電氣燒灼術之後無可偵測AF復發性發作的情況下產生85.5%之陽性預測值。

圖11A及圖11B說明LA容積、正規化LA容積比BSA及LA直徑對於AF復發的經標繪ROC曲線。圖11A展示ROC曲線以預測術後一年追蹤時導管電氣燒灼術之後的AF復發。LA容積具有0.742之AUC之最高值。圖11B展示ROC曲線以預測術後兩年追蹤時導管電氣燒灼術之後的AF復發。LA容積具有0.696之AUC之最高值。請參見詳細描述之上下文。

在藉由ROC曲線識別之139 mm之截止值下，卡本-麥爾存活分析展示LA容積≥139 ml之患者相較於LA容積＜139 ml之患者在遮沒期之後與較高復發率有關(圖12A)。然而，LA容積不能夠預測在電氣燒灼術之後1年之後出現的復發(圖12B)。

圖12A及圖12B說明基於卡本-麥爾分析之經標繪曲線。圖12A展示卡本-麥爾存活分析展示在導管電氣燒灼術之遮沒期之後，LA容積≥139 ml之患者相較於LA直徑＜139 ml之患者與較高復發率相關聯。圖12B展示在術後1年無復發之患者當中，LA大小並非用於預測在電氣燒灼術之後1年後出現的復發的實際上有用參數。 1.5.4 AF復發之預測子

基於多變量邏輯回歸分析，LA容積≥139 ml為在一年追蹤時間段期間AF復發之獨立預測子(HR，4.27；95% CI，2.99-6.11；P ＜ 0.001)。單變量及多變量Cox回歸分析之詳細結果列舉於表2中。表2展示全部患者及LA容積＜139 ml之患者中1年AF復發之風險。

全體患者中 1 年 AF 復發之風險
	單變量分析	多變量分析*
	危險比率	95% CI	P值	危險比率	95% CI	P值
年齡	1.01	1.00-1.03	0.132
男性	1.15	0.79-1.69	0.468
BMI	1.06	1.01-1.11	0.015	1.02	0.95-1.10	0.558
BSA	2.30	1.06-5.02	0.036	1.35	0.45-4.05	0.591
HTN	1.17	0.83-1.65	0.366
DM	1.03	0.61-1.74	0.915
CAD	0.92	0.59-1.43	0.715
CHF	1.53	0.71-3.27	0.278
陳舊性缺血性中風/TIA	1.71	0.75-3.88	0.200
甲狀腺高能症	1.28	0.80-2.04	0.304
NPV誘發起源點	1.26	0.84-1.91	0.267
CHADS2	1.09	0.90-1.32	0.362
CHA2 DS2 -VASc	1.14	0.97-1.33	0.112
線性電氣燒灼術	1.73	1.11-2.70	0.015	1.33	0.85-2.09	0.210
LA容積＞ 139 ml	4.44	3.13-6.29	＜0.001	4.27	2.99-6.11	＜0.001
LA 容積 ＜ 139 ml 下 患者中 1 年 AF 復發之風險
	單變量分析	多變量分析*
	危險比率	95% CI	P值	危險比率	95% CI	P值
年齡	1.00	0.97-1.02	0.787
男性	0.88	0.50-1.54	0.658
BMI	1.00	0.93-1.06	0.892
BSA	1.11	0.40-3.12	0.837
HTN	0.77	0.44-1.34	0.356
DM	0.90	0.39-2.10	0.805
CAD	0.69	0.31-1.52	0.353
CHF	0.51	0.07-3.67	0.501
陳舊性缺血性中風/TIA	3.26	0.79-13.38	0.102
甲狀腺高能症	0.89	0.38-2.07	0.782
NPV誘發起源點	1.05	0.53-2.08	0.899
CHADS2	0.90	0.65-1.26	0.542
CHADS2 ≥ 3	3.17	1.14-8.79	0.026	2.88	1.03-8.02	0.043
CHA2 DS2 -VASc	1.01	0.77-1.33	0.922
線性電氣燒灼術	0.83	0.35-1.93	0.657
LA容積	1.01	1.00-1.03	0.095	1.01	1.00-1.02	0.130

表 2 †使用多個Cox回歸分步分析計算多變量回歸模型(包括所有變數，其中p＜0.1)。 縮寫與表1相同。

另外，對於LA容積小於139 ml之患者，≥3之CHA₂ DS₂ 得分(HR，2.88；95% CI，1.03-8.02；P=0.043)為1年AF復發之獨立預測子(展示於表2中)。 1.6論述  1.6.1主要發現

深度學習模型在LA識別中實現99.0%之準確性且在LA分割中實現91.4%之IoU。深度學習方法提供用於基於3D LA幾何結構之產生進行自動識別、輪廓化及LA容積計算之高效且準確的方式。藉由深度學習網路計算之LA容積可獨立地預測在導管電氣燒灼術程序之後的AF復發。LA容積產生在電氣燒灼術後1年之時間段內AF復發之最佳預測率。LA容積(對於值＞139 ml)為1年AF復發之獨立預測子。另外，LA容積＜139 ml在經由導管電氣燒灼術後之1年追蹤無可偵測AF復發性發作的情況下產生85.5%之陽性預測率。在LA容積＜139 ml之患者當中，CHA₂ DS₂ 得分≥3為1年AF復發之獨立預測子。 1.6.2自動偵測、自動分割及3D LA重建構

LA 3D幾何結構之重建構對有效且安全的導管電氣燒灼術至關重要。LA幾何結構與電解剖映射之聚結可幫助達成具有較佳結果之環向PVI，減少輻射曝露且縮短程序時間。對於應用於PVCT影像之自動偵測、自動分割及3D LA幾何結構重建構，深度學習模型與使用吾等深度學習模型結合係準確的、易於適用且省時的，且僅需要幾分鐘。這為電生理學家提供解剖結構及位置變化以允許對解剖資訊之精確理解且促進成功電氣燒灼術。除LA形狀之手動輪廓化以外，吾等AI模型提供用於影像製備之更高效方式。 1.6.3關於3D LA重建構之當前努力

人工智慧係模擬人類思維過程、學習能力及知識儲存之電腦科學之子域。在不久的將來，深度學習將使用神經元之多個處理層之連結來學習具有多個抽象層級之資料的表示。深度學習為在諸如以下領域中發揮重要作用的新穎機器學習技術：影像辨識(例如，Facebook之人臉辨識系統)、語音辨識(例如，Apple之Siri)、攝影機中及自驅動汽車中之機器視覺軟體。在醫療科學中，深度學習應用已用於以高準確性偵測心臟疾病，諸如心室上心搏過速、心房顫動、心室性心搏過速、低心室射出分率及院內或院外心臟死亡事件。

在當前時代中，儘管數個研究組成功根據電腦斷層掃描(CT)影像分割四個心腔，但其方法並不完全自動且需要先前模型或圖譜之變形。因此，值得注意的為，因為心臟解剖結構在個體間顯著變化，所以其需要非剛性變形。由於個體當中之醫學成像資料的巨大變化，分割演算法之開發具有挑戰性。

另外，仍存在可用於根據CT血管造影資料對心臟進行分割的其他類型之方法。舉例而言，Dormer等人最近使用CNN來以87.2±3.3%之總準確性根據CT影像對四個心腔進行分割。另外，Cardoso等人使用完整卷積網路結合統計形狀模型來分割LA且將LA與CT影像中之左心室(LV)分離。儘管其實現＞93%之分割係數得分，但其方法在應用額外形狀約束及影像處理程序時絞接，且與比當前模型架構複雜得多的模型架構相關聯。 1.6.4在導管電氣燒灼術之後的LA大小及AF復發

已報導，LA大小、年齡、高血壓、睡眠呼吸暫停綜合症、AF之類型、NPV誘發起源點及LA之受質性質與電氣燒灼術後之AF復發相關聯。基於當前可用準則，AF復發之最可靠預測子為LA尺寸及PV解剖結構。然而，LA容積仍被視為用於AF復發之電氣燒灼術後偵測之重要且獨立的因素。

在先前研究中，Shin等人提出，藉由經胸超音波心動描記術之34 ml/m² 之LA容積臨限值在70%之敏感度及91%之特異度下為AF復發之獨立預測子。Hof等人亦發現，LA容積與PV解剖結構相比經研究為AF復發之獨立預測子，其中基於評估電氣燒灼術之前的CT，每10 ml容積增加之經調整優勢率為1.14。值得注意地，基於146名AF患者中之LA之手動追蹤量化LA容積。在另一研究中，Abecasis等人報導，145 ml之LA容積為使用半自動軟體預測AF預測之良好臨限值，其中在165名患有AF之患者中使用心房心內膜輪廓。LA容積＜145 ml之患者具有在導管電氣燒灼術之後成功之74%陽性預測值，且在16.7±6.6個月之時間段內之追蹤期間不與可偵測AF復發性發作相關聯。

此等研究展示LA容積為甚至在多變量分析之後的電氣燒灼術後AF復發之獨立預測子。在吾等研究中，發現LA容積與在AF中導管電氣燒灼術之後1年復發高度相關。然而，在電氣燒灼術之後第二年內預測率降低。在後續時間段，多個因素可影響復發風險，使得LA容積作為在電氣燒灼術之後第二年內復發具有較小影響的生物標記。

對於吾等知識之最佳知識，此為在3D LA幾何結構之自動建構中應用深度學習以研究其與臨床結果之相關性的第一研究。儘管存在影響在導管電氣燒灼術之後的AF復發之多個因素，但139 ml之LA容積臨限值為對於AF復發之獨立預測子。另外，LA容積＜139 ml在導管電氣燒灼術後之1年追蹤時間段期間無可偵測AF復發性發作的情況下產生85.5%之陽性預測率。 1.6.5臨床含義

吾等研究推斷，與使用經胸超音波心動描記術獲得之LA直徑相比，基於CT幾何結構量測之LA容積為AF復發之較佳預測子。基於吾等深度學習模型之自動識別、LA之輪廓及3D LA幾何結構之建構由於PVCT影像在AF復發預測中產生較高準確性。相較於先前研究，LA幾何結構之產生及LA容積之計算為半自動步驟。吾等深度學習模型提供在臨床實踐中自動產生3D LA幾何結構且量化LA容積之快速且有效的方式。此可促進導管電氣燒灼術之過程，且將允許AF復發之預測。 1.6.6結論

深度學習模型構成用於基於3D LA模型之形成來自動輪廓化及計算LA容積之高效且準確的方法。藉由深度學習模型量測之LA容積可預測導管電氣燒灼術之後的AF復發。1.7 補充文字 - 用於 LA 偵測及分割之 PVCT 訓練資料集

PVCT影像以512×512像素之解析度以醫學數位成像與通信(DICOM)格式保存，且在匿名化之後且在醫院之機構研究委員會之批准之後回顧性地自臺北榮民總醫院之圖像存檔及通信系統(PACS)擷取。PVCT影像資料集分別用於訓練用於LA偵測之模型(資料集1，包含來自97名患者之資料，總計7,325個影像)及用於LA分段之模型(資料集2，包含來自97名患者之資料，總計3,728個影像)。為確立真實資料，由心臟病科醫師審查此等影像，使得針對每一患者標記資料集1之含有LA之一系列連續影像(總計3,728個影像經識別為含有LA)，且在資料集2之對應遮罩影像上標示影像中之LA的輪廓。對於藉由兩個心臟病科醫師基於排除肺靜脈且包括左心耳(LAA)之訓練模型，在97名患者中對LA腔室之真實資料進行輪廓化。接著將每一資料集中之影像劃分成三個子集，包括用於模型訓練之訓練、驗證及測試子集(對於資料集1及資料集2為62:15:20名患者) (表3)。表3展示用於LA分類及LA分割模型之訓練、驗證及測試群組中之PVCT影像的數目。

LA 分類模型
	訓練	驗證	測試
LA	2431	493	804
非LA	2527	443	627
患者數目	62	15	20
LA 分割模型
	訓練	驗證	測試
影像數目	2431	493	804
患者數目	62	15	20
表3

1.8補充文字-影像預處理

在將PVCT影像輸入至深度學習模型以供訓練之前，首先將其轉換成大小為512×512之數值陣列。由於值範圍可由於掃描器模型/製造商之差異而在一個影像系列與另一影像系列之間變化，因此自每一影像提取密鑰DICOM標籤資訊(例如，「重新縮放截距」及「重新縮放斜率」)以將像素值正規化為Hounsfield單位(HU)。為校正在初始PVCT影像重建構階段之快速傅立葉變換過程期間產生不合理HU值(超出-1024及3071，例如，-3829或62984)的偶發性電腦斷層掃描(CT)金屬偽影，強度小於-1024之所有像素值用-1024替換且強度大於3071之彼等像素值用3071替換。另外，為了增強全局影像對比度，所有PVCT影像經歷直方圖均衡化及/或開視窗，且在此研究中針對分類/分割模型中之每一者將像素值重新縮放至同一範圍。1.9 補充文字 - 學習速率之資料擴增及最佳化

為了讓模型學習更多資訊且改良模型一般化能力，吾人應用資料擴增(旋轉[在-10度至+10度之範圍內]，縮放影像)以用以改良訓練集中之模型一般化能力。吾人確認，在藉由實驗強調縮放及旋轉之兩種方法之後，效果得到顯著改良。

在初始訓練階段中，基礎預訓練模型中之層經凍結，且僅訓練自定義深度神經網路分類器直至其稍微過度擬合為止。在後期，基礎預訓練模型中之卷積層經解凍且經訓練直至實現過度擬合為止。為了增強權重空間中的最佳局部最小值的搜尋，在兩個階段中應用循環地重新開始的學習速率(亦被稱作「重新開始之隨機梯度下降」)，其中學習速率在每一循環中自「初始學習速率」逐漸衰減。循環長度在初始階段期間設定為一個時期，且在稍後階段之每一後續時期處增大至為先前循環之長度的兩倍的值。另外，在後續訓練階段期間，將整個模型劃分成三個部分，且各自用不同的「初始學習速率」來訓練。對於初始階段處之模型訓練，初始學習速率設定為0.005。對於稍後階段之模型訓練，模型之最後一部分之初始學習速率設定為0.005，且在中間部分處降低為其初始值之1/3，且在初始部分處降低為其初始值之1/9。此係基於如下假定而實施：提取較複雜、較高層級特徵之後續層相較於負責較基本、較低層級特徵之早期層可能需要較多微調。 1.10.補充文字-左心房分割之模型訓練及交集對併集

在實際模型訓練期間，將VGG-16之特徵提取部分之權重凍結，且在擴展階段中訓練U-Net之其餘權重。考慮到遮罩值為0抑或1，對像素應標記為0抑或1進行預測基本上為雙類別分類問題。因此，採用共同二進位交叉熵以作為損失函數。定義如下，

方程式1 在此研究中用於評估預測結果之公式為交集對併集(IoU)，且定義如下：

方程式2 IoU公式始終產生介於零與一之間的值。當IoU值接近零時，此意謂預測結果顯著不同於真實資料。另外，當IoU接近一時，預測結果極類似於真實資料。由於每一CT影像對應於IoU值，因此跨越所有影像之平均IoU用於評估分割結果。 1.11.補充文字-陣發性AF中之電氣燒灼術策略

PVI之導管電氣燒灼術藉由具有閉合灌溉尖端電氣燒灼術導管(Chilli II，EPT，美國馬薩諸塞州納蒂克之波士頓科學公司)或開口灌溉尖端電氣燒灼術導管(來自美國明尼蘇達州聖保羅之聖裘德醫療之冷卻路徑或FlexAbilityTM或來自美國加利福尼亞州爾灣市之Biosense Webster之ThermoCool)的3D導航系統導引。對於各病灶，至多25 W至35 W之射頻功率持續40秒，其中目標溫度低於40℃。成功的PV隔離藉由在PV之入口及出口區塊處獲得雙向阻滯確認、在PV內部不存在任何電活動或在竇性心律期間之解離PV活動來確認。若AF變得規則組織化(organized)成為另一種心律不整，則執行相對應該心律不整之電氣燒灼術以終止該心律不整。若AF在PVI之後仍可誘導，則執行額外線性電氣燒灼術或複雜的分級分離心房電描記圖(CFAE)電氣燒灼術。若AF在完成前述程序之後仍持續，則藉由外部電氣反轉術恢復竇性心律。在電氣燒灼術程序之任何步驟期間恢復至竇性心律之後評估非肺靜脈(NPV)病灶之位置。在具有NPV誘發起源點之患者中，在AF發作之前，朝向最早電活動或異位跳動之局部單極QS模式執行導管電氣燒灼術。NPV誘發起源點電氣燒灼術之終點為上腔靜脈(SVC)與右心房(RA)之間冠狀竇(CS)與RA之間的斷開連接，以及在AF之負誘發性下消除其他NPV異位跳動。通常用最大功率為70 W且溫度為70℃之8 mm尖端電氣燒灼術導管執行RA三尖瓣與下腔靜脈間峽部電氣燒灼術。用竇性心律確認在線性電氣燒灼術程序之後雙向傳導阻滯之實現。 1.12.補充文字-電氣燒灼術後追蹤

在指標電氣燒灼術程序之後出院之後，患者2週後將接受門診追蹤，且隨後每1至3個月在我院心內科門診處定期監測。規定術後服用抗心律不整藥物4至8週以防止AF之早期復發。心房顫動復發蜜月期(blank period)定義為在電氣燒灼術之後3個月內。在電氣燒灼術程序之後每3個月及在患者經歷表明快速性心律失常之症狀的情況下在任何後續時間定期執行24小時動態心電圖或1週事件型心電圖監測之追蹤。基於12導程心電圖、24小時動態心電圖記錄及/或心臟事件監測記錄來評定長期功效。根據心律學會工作小組共識，AF之臨床復發定義為在電氣燒灼術程序之後3個月之後每次發作持續長於30秒的心律不整之出現。² 2.在導管電氣燒灼術之陣發性心房顫動患者中預測誘發起源點之深度學習技術的臨床應用  2.1摘要

背景 ：非肺靜脈(NPV)誘發起源點已經報告為心房顫動(AF)電氣燒灼術後復發之重要預測子。消除NPV誘發起源點可減少電氣燒灼術AF後復發。該深度學習應用於電氣燒灼術前肺靜脈電腦斷層掃描(PVCT)幾何切片中以產生患有陣發性心房顫動(PAF)之患者中NPV誘發起源點之預測模型。

方法 ：吾人回顧性地分析進行PAF之導管電氣燒灼術之521名PAF患者。其中，來自358名非復發AF患者之PVCT幾何切片(每一切片1至3 mm間隙，每一患者20至200個切片，範圍為左心房之上部邊界至心臟底部，總共切片之23683個影像)用於深度學習程序，神經網路之ResNet34中，以產生NPV誘發起源點之預測模型。存在298名(83.2%)僅具有肺靜脈(PV)誘發起源點之患者及60名(16.8%)具有NPV誘發起源點+/-PV誘發起源點之患者。將患者隨機指派給訓練、驗證或測試群組且根據彼等集合分配其資料。將影像資料集分成訓練(n=17340)、驗證(n=3491)及測試(n=2852)群組，其具有完全獨立患者組。

結果 ：每一PVCT影像中對於NPV誘發起源點之預測準確性高達82.4±2.0%。敏感度及特異度分別為64.3±5.4%及88.4±1.9%。對於每一患者，對於NPV誘發起源點之預測準確性可實現88.6±2.3%。敏感度及特異度分別為75.0±5.8%及95.7±1.8%。對於每一影像及患者，曲線下面積(AUC)分別為0.82±0.01及0.88±0.07。

結論 ：使用電氣燒灼術前PVCT之深度學習模型可應用於預測接受導管電氣燒灼術之PAF患者中之誘發起源點。此模型之應用可識別在電氣燒灼術之前具有NPV誘發起源點之風險較高之患者。

關鍵詞 ：心房顫動、深度學習、人工智慧、誘發起源點。 2.2概述

在醫療科學中，人工智慧(AI)之深度學習方法之應用已用於探究現有疾病中之新穎基因型及表現型且用於以高準確性偵測疾病，諸如癌症、中風、結核病及視網膜疾病。深度學習模型亦已廣泛應用於影像辨識中以促進臨床實踐。

心房顫動(AF)主要心律不整誘發起源主要來自肺靜脈(PV)。肺靜脈隔離(PVI)仍為AF之導管電氣燒灼術中之基礎。非肺靜脈(NPV)病灶亦被視為AF誘發起源點。NPV誘發起源點之存在為在導管電氣燒灼術之後引起AF復發之關鍵因素且消除NPV誘發起源點可降低此復發率。在NPV病灶中施加射頻能量導管電氣燒灼術以消除NPV誘發起源點為安全且有效的。因此，在導管電氣燒灼術之前預測NPV誘發起源點將為醫師提供重要資訊且促進電氣燒灼術程序。此研究之目標為在導管電氣燒灼術之前在患有陣發性AF之患者中使用來自電氣燒灼術前肺靜脈電腦斷層掃描(PVCT)影像之深度學習模型產生用於NPV誘發起源點之預測模型。 2.3方法

此研究由臺灣臺北之臺北榮民總醫院之機構審查委員會核准(VGH-IRB編號：2013-08-002AC#1)，「心房顫動之預測處理及影響之機器學習(Machine learning in predicting treatment and the impact of atrial fibrillation)」。患者記錄及資訊在分析之前為匿名的且未經識別。 2.3.1研究群體

此回溯性觀察性研究藉由分析在臺北榮民總醫院資料庫處PVCT之註冊表而執行。

資料庫中包括在2004年10月1日與2017年12月31日之間進行AF之導管電氣燒灼術的具有電氣燒灼術前PVCT影像之總計1435名陣發性AF患者。1)由兩個電化學醫師獨立檢查之PVCT影像之品質較差的患者，2)在電氣燒灼術程序期間誘發起源點不確定的患者及3)在追蹤時損失之患者自資料庫排除。具有合格電氣燒灼術前PVCT影像之五百二十一名陣發性AF患者自資料庫隨機選擇且包括於分析中。在AF電氣燒灼術後一年追蹤期間無復發之三百五十八名(68.7%)患者包括於該分析中以產生誘發起源點預測模型。僅12名(7.4%)復發患者重新進行電氣燒灼術，這不允許對NPV誘發起源點預測與NPV電氣燒灼術相對於復發之間的相互作用之詳細研究。吾人不能識別AF復發之機制且因此在導管電氣燒灼術之後AF復發之患者不包括於分析中。

PVCT在每一研究患者中在導管電氣燒灼術之前執行。PVCT之指示為進行導管電氣燒灼術之患有AF之患者之手術前評定及LA之結構之評估。所有患者在掃描及對應於左心房之舒張末期之階段期間均呈竇性心律。基於此等患者之研究，此階段似乎具有最大LA容積以供評定。

將無AF之電氣燒灼術後復發的患者劃分成2個群組。一個群組由僅具有PV誘發起源點之298名(83.2%)患者組成，且另一群組由具有NPV誘發起源點而具有或不具有PV誘發起源點群組的60名(16.8%)患者組成。PVCT幾何切片(每一切片13 mm間隙，每一患者20至200個切片，範圍為左心房之上部邊界至心臟之底部，358名非復發AF患者中之切片總計23683個影像)用於深度學習程序中以用於預測NPV誘發起源點。圖13展示此研究中之患者登記之流程圖。圖13說明陣發性AF患者中之患者登記之演算法。

PV誘發起源點定義為PV內引發AF之異位心房早搏。NPV誘發起源點定義為除PV外引發AF之異位心房早搏。基於心律學會工作小組共識，AF之臨床復發定義為在自電氣燒灼術起3個月之後每次發作持續長於30秒的AF之任何復發。

包括過去醫療史、風險因素、共病及藥物之臨床變數獲自以下之醫療記錄：一級/二級轉診醫院、門診、急診、健康資訊應用協作中心(CCHIA)及臺灣衛生福利部。國際疾病分類(ICD-9及ICD-10)碼之第九及第十次修訂本亦用於識別潛在疾病，包括糖尿病、高血壓、冠狀動脈疾病、心臟衰竭、慢性腎病、肝病、心肌梗塞及心臟瓣膜病。 2.3.2AF電氣燒灼術

在提供書面知情同意書之後，所有患者經歷在空腹狀態下執行之標準化電生理學研究。在電生理學研究及電氣燒灼術程序之前，除胺碘酮(Amiodarone)外，所有抗心律不齊藥劑均停藥至少五個半衰期。先前已詳細描述患者中所採用之導管電氣燒灼術之詳細程序。PVI之導管電氣燒灼術藉由具有閉合灌溉尖端電氣燒灼術導管(Chilli II，EPT，馬薩諸塞州納蒂克之波士頓科學公司)或開口灌溉尖端電氣燒灼術導管(來自美國明尼蘇達州聖保羅之聖裘德醫療之冷卻路徑或FlexAbilityTM；或來自Biosense Webster之ThermoCool)的3維導航系統導引。對於各病灶，應用至多25 W至35 W之射頻能量持續40秒，其中目標溫度低於40℃。成功PV隔離藉由在PV之入口及出口區塊兩者處獲得雙向阻滯、在PV內部不存在任何電活動或在竇性心律期間之解離PV活動來確認。若AF變得規則組織化(organized)成為另一種心律不整，則執行相對應該心律不整之電氣燒灼術以終止該心律不整。若AF在PVI之後仍可誘導，則執行額外線性電氣燒灼術或複雜的分級分離心房電描記圖(CFAE)電氣燒灼術。若AF保持，則藉由外部電氣反轉術恢復竇性心律。在電氣燒灼術程序之任何步驟期間恢復至竇性心律之後評估NPV病灶之位置。在具有NPV誘發起源點之患者中，在AF發作之前，朝向最早電活動，或異位跳動之局部單極QS模式執行導管電氣燒灼術。NPV誘發起源點電氣燒灼術之終點為上腔靜脈(SVC)與右心房(RA)之間以及冠狀竇(CS)與RA之間的斷開連接，以及在AF之負誘發性下消除其他NPV異位跳動。通常用最大功率為70 W且溫度為70℃之8 mm尖端電氣燒灼術導管執行右心房三尖瓣與下腔靜脈間峽部電氣燒灼術。線性電氣燒灼術之雙向傳導阻滯係在竇性心律下確認。 2.3.3影像處理

最初自DICOM檔案中之對應的標籤提取關於重新縮放截距及斜率之資料，基於哪些影像值經標準化為Hounsfield單位(HU)。無正負號Dec值為0(+重新縮放截距變為-1024)，因此其填充像素值為-1024。在減去填充像素之後，影像像素值之分配不應低於-1023。介於-1001至-1023之間的像素值指示藉由用於空氣HU之CT器械計算出的誤差。最高誤差具有大於3,000之值，此係由於資料獲取僅採用12個位元(亦即，0至4095之4096個組合)，且在加上重新縮放截距(-1024)之後，誤差mar之範圍為-1024至3071。小於-1024及大於3071之HU值分別由-1024及3071替換以校正在PVCT掃描或PVCT影像重建構期間產生的偶然假影。另外，由於不同組織之特徵在於HU之不同範圍(例如水之HU值為約0)，故選擇一對適合的窗寬度與窗高可選擇性地突出不同組織之輪廓。在當前研究中，為了清楚地呈現完整心臟輪廓，窗寬度設定為1400且窗高設定為500。PVCT影像使用0至255範圍內之像素值重新縮放且轉換成PNG影像。吾人測試多種影像處理技術以增強影像特徵及驗證模型之訓練效能。最後，吾人參考深度殘餘網狀(ResNet34)模型之預處理以將像素值轉換於0與1之間，且在應用模型之前將影像大小設定為256×256像素。 2.3.4訓練/驗證/測試集中之深度學習模型

自358名患者獲得之總計23683個切片影像經採用及測試以藉由使用PVCT幾何切片之深度學習程序以用於預測僅PV或NPV+/-PV誘發起源點來產生AF誘發起源點模型。將患者隨機指派給訓練、驗證或測試群組且根據彼等集合分配其資料。因此，影像資料集被分成訓練(n=17340)、驗證(n=3491)及測試(n=2852)群組。訓練、驗證及測試資料集具有完全獨立的患者組。資料集之詳細數目展示於表5中。表5展示用於PVCT影像中之模型訓練的不同類型的資料分類。

AF 誘發起源點模型 (PVCT 影像 ) *
	訓練	驗證	測試
僅PV誘發起源點	15154	2417	2155
NPV誘發起源點	2186	1074	697
總計	17340	3491	2852
AF 誘發起源點模型 ( 患者數目 ) †
	訓練	驗證	測試
僅PV誘發起源點	253	22	23
NPV誘發起源點	37	11	12
總計	290	33	35
表 5

值為數目。 NPV，非肺靜脈；PV，肺靜脈；PVCT，肺靜脈電腦斷層掃描。 *對於經預訓練ResNet34模型進行資料訓練。值為影像之數目。 †吾人使用了使用現代最佳實踐簡化神經網路之快速且準確的訓練的fast.ai庫。將數目視為人。

神經網路之ResNet為2015年ImageNet大規模視覺辨識挑戰(ILSVRC)之獲勝者，且對其在大量資料集中之有效性之驗證已提供對模型可信度之進一步支援。ResNet包括若干版本(亦即，18、34、50、101及152)且數目指示層之不同量。通常在應用深度學習方法時觀察到過度擬合，且選擇具有較小數目個層及參數之版本以達成最佳擬合且產生可接受的結果。ResNet34經選擇為預訓練模型且其框架用於捕獲影像特徵。提取關鍵特徵之程序包括以下步驟：1)在影像進入模型之後使用7*7濾波器提取低層級特徵；2)經由六個層(3*3濾波器及64個通道)、八個層(3*3濾波器及128個通道)、十二個層(3*3濾波器及256個通道)及六個層(3*3濾波器及512個通道)依序處理低層級特徵，這亦允許提取高層級特徵。在卷積神經網路上之重複操作之後，可捕獲影像之低層級及高層級特徵以訓練模型。

圖14中展示深度學習程序之流程圖。每一PVCT影像輸出預測給定為機率。超過0.5之輸出機率被視為NPV誘發起源點。為產生對於每一患者中之所有PVCT影像之可變機率的單個預測，吾人使用預測之多數議決且吾人能夠進行逐患者接收器操作人員曲線(ROC)分析。舉例而言，患者具有PVCT影像之總共50個切片且每一PVCT影像具有其自身NPV誘發起源點機率。若PVCT影像之機率臨限值大於0.5，則切片分類為NPV誘發起源點。若NPV誘發起源點之總數目大於PVCT影像之總數目之50%，則深度學習模型識別患者中之NPV誘發起源點。

心臟大小在患者之間不同，且因此每一患者中所分析之切片數目亦不同。預測之多數議決的方法經應用以判定在每一患者中用於與所有PVCT影像相關之變數的單個預測之機率。此方法係基於經標記NPV誘發起源點相對於總PVCT影像之比例的分析以判定每一患者中之NPV誘發起源點且不受心臟之大小影響。

圖14說明深度學習訓練程序及數學運算。來自358名患者之切片的總共23683個PVCT影像(僅具有PV誘發起源點之298名患者及具有NPV誘發起源點而具有或不具有PV誘發起源點之60名患者)在訓練深度學習模型之前經歷資料預處理。在資料預處理之後，吾人在神經網路之ResNet34中輸入所有PVCT影像以訓練深度學習模型。每一PVCT影像輸出預測作為僅PV誘發起源點或NPV誘發起源點之機率給出。每一PVCT影像輸出預測作為機率給出。超過0.5之輸出機率被視為NPV誘發起源點。僅PV誘發起源點指示來自僅具有PV誘發起源點而不具有任何NPV誘發起源點之患者的PVCT影像。NPV誘發起源點指示來自具有NPV誘發起源點而具有或不具有任何PV誘發起源點之患者的PVCT影像。 2.3.5不平衡的資料集管理

擴增資料以校正吾人之AF誘發起源點模型中之不平衡資料集。應用資料擴增(旋轉±10度或縮放影像)以藉由允許模型學習更多資訊來改良訓練資料庫中之模型一般化能力。縮放及旋轉方法顯著改良預測性效能。

將測試時間擴增(TTA)應用於驗證集及測試資料庫，這為類似於資料擴增之方法。此技術涉及在驗證及測試資料庫中產生每一影像之多個經擴增複本，且允許該模型作出對每一影像之預測。預測結果係基於使用不同類型之影像針對每一預測之平均機率的計算。基於經擴增影像之預測可改良預測效能。另外，影像變形為資料擴增之常用方法，其應用於增大資料庫之量但總體上並不改良預測效能。患者之心臟成像藉由不同的角度及形狀表徵。資料擴增之技術可改變PVCT影像中之每一像素的相對位置且使原始特徵之識別複雜化。因此，影像變形方法並不應用於吾人之模型。 2.3.6追蹤策略

在指標電氣燒灼術程序之後出院之後，患者被追蹤2週，且所後每1至3個月在我院心內科門診處定期追蹤。規定術後服用抗心律不整藥物4至8週以防止AF之早期復發遮沒期定義為在電氣燒灼術之後3個月內。¹¹ 在電氣燒灼術程序之後每3個月及在患者經歷表明快速性心律失常之症狀時在任何時間定期執行24小時動態心電圖或1週事件型心電圖監測之追蹤。基於靜止表面12導聯心電圖、24小時動態心電圖記錄及/或1週事件型心電圖監測記錄來評定長期功效。 2.3.7統計分析

統計分析由SPSS統計軟體，版本20.0(美國伊利諾伊州芝加哥之SPSS公司)執行。患者特性表達為連續變數之平均值±標準差(SD)及分類變數之百分比。分別使用司圖頓t檢驗及皮爾森卡方檢驗藉由耶茨校正比較連續變數與分類變數。低於5%之阿爾法誤差被視為統計顯著的。應用自舉方法反覆地取樣(＞1000)測試資料庫之預測結果以計算ROC及曲線下面積(AUC)及各別95%信賴區間。此技術之目標為評估測試群組中之分佈性質。 2.4結果  2.4.1            基線特性

在此研究中登記了電氣燒灼術後未復發之總計358名陣發性AF患者(年齡，54.2±11.2歲；243名[67.9%]男性)，其中六十名(16.8%)具有NPV誘發起源點。存在具有SVC誘發起源點之29名(8.1%)患者、具有左心房自由壁(LAFW)/左心耳(LAA)誘發起源點之4名(1.1%)患者、具有CS誘發起源點之4名(1.1%)患者、具有RA/界脊誘發起源點之5名(1.4%)患者、具有房間隔(IAS)誘發起源點之8名(2.2%)患者及具有來自Marshall靜脈之誘發起源點之12名(3.4%)患者。所有患者中之基線臨床特性概述於表6中。表6展示陣發性AF患者之基線特性。

基線特性	總計 (N = 358)
年齡，歲	54.2±11.2
男性，n (%)	243 (67.9)
BMI (kg/m2 )	25.0±3.3
HTN，n (%)	176 (49.2)
高脂質血症，n (%)	99 (27.7)
DM，n (%)	41 (11.5)
CAD，n (%)	73 (20.4)
CHF，n (%)	11 (3.1)
陳舊性缺血性中風/TIA，n (%)	6 (1.7)
甲狀腺高能症，n (%)	41 (11.5)
CHADS2	0.8±0.8
CHA2 DS2 -VASc	1.2±1.0
NPV誘發起源點，n (%)	60 (16.8)
SVC，n (%)	29 (8.1%)
LAFW/LAA，n (%)	4 (1.1%)
CS，n (%)	4 (1.1%)
RA/CT，n (%)	5 (1.4%)
IAS，n (%)	8 (2.2%)
VOM，n (%)	12 (3.4%)
超聲心動圖參數
LAD (mm)	37.5±5.4
LVEF (%)	59.6±6.2

表6  值為變數之數目及百分比(%)±標準差。 AF，心房顫動；BMI，身體質量指數；HTN，高血壓；DM，糖尿病；CAD，冠狀動脈疾病；CHF，慢性心臟衰竭；TIA，短暫局部缺血發作；NPV，非肺靜脈；SVC，上腔靜脈；LAFW/LAA，左心房自由壁/左心房附肢；CS，冠狀竇；RA/CT，右心房/界脊；IAS，房間隔；VOM，Marshall LAD之靜脈，左心房直徑；LVEF，左心室射出分率。 2.4.2AF誘發起源點模型預測

測試多個網路，且選擇產生驗證資料集之ROC之最高AUC的網路。對於每一PVCT影像，對於NPV誘發起源點之預測效能，AF誘發起源點模型測試實驗產生82.4±2.0%之準確率、64.3±5.4%之敏感度及88.4±1.9%之特異度。對於測試實驗中所包括之每一患者，對於NPV誘發起源點之預測效能，準確性、敏感度及特異度比率分別為88.6±2.3%、75.0±5.8%及95.7±1.8%。每一PVCT影像及每一患者之ROC曲線描述於圖5A及圖5B中，且AUC分別為0.82±0.01及0.88±0.07。每一PVCT影像及每一患者之ROC曲線描述於圖5A及圖5B中。圖5A及圖5B說明在AF誘發起源點模型中測試結果之ROC曲線。圖5A針對每一PVCT影像說明其中曲線下面積(AUC)=0.82±0.01。圖5B針對每一患者說明其中AUC=0.88±0.07。測試結果之混淆矩陣展示於圖6A及圖6B中。圖6A說明在PVCT影像中測試結果之混淆矩陣。圖6B說明所有測試患者之測試結果之混淆矩陣。 2.5論述  2.5.1主要發現

吾人之研究表明，PVCT影像之深度學習方法提供在導管電氣燒灼術之前預測患有陣發性AF之患者中之NPV誘發起源點的能力。此將為電生理學家提供關於在導管電氣燒灼術之前進行決策之額外資訊且促進電氣燒灼術程序。需要進一步多中心試驗來驗證此深度學習模型。 2.5.2用於預測AF誘發起源點之先前影像研究

PV為由肌袖包覆之結構，其自LA延伸；因此，此等肌袖可具有自發性起搏器活動。PVI已變成用於消除AF PV病灶之導管電氣燒灼術方法之基礎。然而，PV並非僅有的誘發起源點結構。上腔靜脈、冠狀竇、右界脊及Marshall韌帶為可充當NPV誘發起源點之所有結構。在吾人之先前研究中，在陣發性、持續性及長期持續性AF患者中NPV誘發起源點之發生率分別為16.4%、20.4%及44.7%。定位NPV病灶需要對映射多極導管進行詳細分析，且識別NPV病灶之確切位置可為耗時的。

吾人之先前研究藉由在患有由異位PV誘發起源點群組、NPV誘發起源點群組(來自SVC或界脊之誘發起源點)引發的陣發性AF之患者及對照組(無AF之患者)中PV血管造影之投影來研究PV之結構。研究表明，相較於NPV誘發起源點或對照組，患有由來自上PV之異位跳動引發的陣發性AF的患者具有上PV之較大竇口及近端部分直徑。與對照組相比，NPV誘發起源點群組亦具有上PV之顯著擴張竇口。然而，PV之擴張與引發AF之異位跳動之部位不相關。可解釋此情形之機制為PV內之異位誘發起源點之快速及混亂發射除類似於LA之結構的延遲變化之外亦引起在心房肺靜脈接合處之肌肉括約肌的錯亂收縮及心房肺靜脈接合處之尺寸的增大。類似地，拉伸力之增大歸因於PV之擴張，這可改變PV內之心臟肌肉的電生理學特性且誘發心律不整。此等研究揭露了影像在AF誘發起源點之預測中的重要性。 2.5.3 AF NPV誘發起源點之預測中之深度學習

NPV異位跳動在引發PAF上起重要作用。然而，是否存在引發陣發性AF之NPV異位跳動之預測子仍不明確。吾人之先前研究展示女性性別(p=0.043；OR 2.00，95% CI 1.02至3.92)及左心房放大(p=0.007；OR 2.34，95% CI 1.27至4.32)可預測NPV異位跳動之存在。Schauerte等人亦報導，在犬SVC附近心臟自主神經之高頻率刺激可能誘發SVC異位引發之陣發性AF，且此現象可藉由阿托品消除。此等發現表明，女性性別、左心房放大及較高副交感神經活動可能與NPV異位跳動引發之AF之較高發生率相關聯。當前存在關於NPV誘發起源點之預測子的有限資訊，且尚未驗證NPV誘發起源點之預測模型。此研究首次使用深度學習模型驗證NPV誘發起源點之預測系統。該模型可為用以基於與導管電氣燒灼術之前的PVCT影像相關聯之預測速率識別NPV誘發起源點之有用工具，且可最終幫助電生理學家減少電氣燒灼術後復發。

深度學習模型不提供演算法透明性；因此，吾人不能夠精確地實現演算法對其最終目的地之試探性到達。為了理解深度學習模型如何組譯其對遍及多個層之誘發起源點之影像的理解，吾人應用Grad-CAM技術以用於觀察類別特定單元以識別深度學習模型對PVCT影像之判斷依據。吾人選擇接受AF導管電氣燒灼術之群體，且其中如深度學習模型在一年追蹤之後不存在復發。其指示吾人在導管電氣燒灼術程序期間正確地消除了所有誘發起源點。在Grad-CAM技術分析中用於PV或NPV病灶之深度學習模型中，熱點在預測模型中聚集於PV及左心房及右心房中(圖15)。暗示藉由深度學習模型判斷之準則為PV及左心房及右心房之形態(大小、形狀或角度)。為了吾等知識之最佳知識，此為使用深度學習方法預測AF誘發起源點之第一模型。

產生吾人之深度學習模型以用於識別陣發性AF患者中之可能NPV誘發起源點的目的。該模型具有用於預測NPV誘發起源點之高特異度，其可適用於電生理學家以決定在導管電氣燒灼術之程序期間是否進行詳細映射及誘發性測試。深度學習模型之敏感度可藉由增大之樣本大小改良。

圖15為在用於說明AI解釋能力(AI之興趣區域)之Grad-CAM技術分析中描繪PV、左心房及右心房之可辨別定位的實例。用於判斷PV或NPV源之深度學習誘發起源點模型中之最暗光點(熱點)集中於右心房及左心房。 2.5.4臨床含義

NPV誘發起源點為AF復發之獨立預測子且造成需要重複程序之患者之接近一半的心律不整復發。在導管電氣燒灼術期間消除可映射之NPV病灶可降低AF復發率且在陣發性AF患者中提供較佳長期結果。成功電氣燒灼術之NPV病灶患者具有等效於在陣發性AF中具有PV誘發起源點之患者的無AF結果。

吾人之深度學習模型可經由電氣燒灼術前PVCT影像在導管電氣燒灼術程序之前預測NPV誘發起源點。以此方式，其提高了醫師對NPV誘發起源點之認識，此可有助於程序且改善AF結果。 2.5.5研究限制

此研究之可能限制為分析包括在電氣燒灼術後一年內追蹤無AF復發之個體。儘管僅在引起AF之可再現性病灶性誘發起源點在PV竇口外部識別時執行NPV誘發起源點之電氣燒灼術，但吾人無法排除若僅進行PV電氣燒灼術，則NPV電氣燒灼術之一些患者可能尚未復發的可能性。映射及電氣燒灼術技術可大體上在2004與2017之間改變。然而，在AF程序期間NPV誘發起源點之誘發性的方案在此時間段中類似。吾人亦分析無AF復發之患者以確保電生理學家在程序期間發現心律不整來源且避免出現任何偏差。在訓練及測試步驟期間CT影像之強度及PV之強度未經正規化，其可能會導致每一患者中之右心房或左心房之不相等地增強。右心房或左心房之增強可已提供用於預測深度學習模型之額外資訊。應用用於CT影像強度之正規化的技術可改良吾人之模型的效能。最後，並非每一PVCT切片均攜載關於導致AF之NPV誘發起源點之資訊。直至心臟底部之PVCT影像經收集以包括低右心房或低界脊之解剖結構，其為AF誘發起源點之可能位置。此外，在深度學習模型分析之前，右心房及左心房兩者均未分割。網路可偵測心臟外部之可能不具有與NPV誘發起源點相關之相關資訊的假影及訊息。 2.5.6結論

可應用使用電氣燒灼術前PVCT之深度學習方法來預測接受導管電氣燒灼術之陣發性AF患者中之AF誘發起源點。此模型之應用可識別在電氣燒灼術之前具有NPV誘發起源點之風險較高之患者。

縮寫 AF          ：心房顫動 AI           ：人工智慧 AUC       ：曲線下面積 BSA        ：體表面積 CCHIA    ：健康資訊應用協作中心 CFAE      ：複雜分級分離心房電描記圖 CI           ：信賴區間 CNN       ：卷積神經網路 CT          ：電腦斷層掃描 DCNNs    ：深度卷積神經網路 HR          ：危險比率 ICD         ：國際疾病分類 ILSVRC   ：ImageNet大規模視覺辨識挑戰 IoU         ：交集對併集 LA         ：左心房 LV          ：左心室 NPV        ：非肺靜脈 PV          ：肺靜脈 PVCT      ：肺靜脈電腦斷層掃描 PVI         ：肺靜脈隔離 ReLU      ：整流線性單元 ROC        ：接收者操作特性 2D          ：二維 3D          ：三維

101:輸入影像 200:影像處理程序 201:操作 202:操作 203:操作 204:操作 205:操作 206:操作 301:輸出 302:輸出 400:影像處理程序 401:操作 402:操作 403:操作 404:操作 405:操作 406:操作 407:操作 408:操作 501:輸出 700:系統 710:使用者終端 711:處理器 712:記憶體 713:通信單元 720:資料庫 721:處理器 722:記憶體 723:通信單元 730:伺服器終端 731:處理器 732:記憶體 733:通信單元

為了更好地理解本發明之一些實施例的本質及目標，應參考與附圖結合之以下實施方式。在圖式中，除非另外指定，否則相同或功能上相同之元件給定相同附圖標號。

圖1說明根據本發明之一些實施例的影像處理方法之流程圖。

圖2說明根據本發明之一些實施例的影像處理方法之流程圖。

圖3說明根據本發明之一些實施例的影像處理方法之流程圖。

圖4說明根據本發明之一些實施例的資料處理方法之流程圖。

圖5A及圖5B說明根據本發明之一些實施例的結果之ROC曲線。

圖6A及圖6B說明根據本發明之一些實施例的結果之混淆矩陣。

圖7說明根據本發明之一些實施例的系統。

圖8說明用於藉由深度學習模型進行之左心房(LA)分類、LA分割及3D幾何結構產生之演算法的流程圖。

圖9說明左心房(LA)影像分類之接收者操作特性(ROC)曲線及混淆矩陣。

圖10說明真實資料及U-Net LA分割。

圖11A及圖11B說明LA容積、正規化LA容積比BSA及LA直徑對於AF復發的經標繪ROC曲線。

圖12A及圖12B說明基於卡本-麥爾(Kaplan-Meier)分析之經標繪曲線。

圖13說明陣發性心房顫動(AF)患者中之患者登記之演算法。

圖14說明深度學習訓練程序及數學運算。

圖15為在用於說明人工智慧(AI)解釋能力(AI之興趣區域)之Grad-CAM技術分析中描繪PV、左心房及右心房之可辨別定位的實例。

700:系統

710:使用者終端

711:處理器

712:記憶體

713:通信單元

720:資料庫

721:處理器

722:記憶體

723:通信單元

730:伺服器終端

731:處理器

732:記憶體

733:通信單元

Claims (20)

1. 一種藉由處理器處理肺靜脈電腦斷層掃描(PVCT)影像之方法，其包含：自一左心房之上部邊界至一心臟之底部獲得複數個輸入影像；利用該處理器判定該複數個輸入影像中之每一者是否與一非肺靜脈(NPV)誘發起源點相關；以及當判定該複數個輸入影像中多於一半與一NPV誘發起源點相關時，該處理器判定該複數個輸入影像與一NPV誘發起源點相關。
2. 如請求項1之方法，其進一步包含：獲得該複數個輸入影像中之一第一輸入影像；藉由基於該第一輸入影像及一第一卷積層執行一第一卷積運算來產生一第一特徵圖；藉由基於該第一特徵圖及一第二卷積層執行一第二卷積運算來產生一第二特徵圖；藉由將該第一特徵圖與該第二特徵圖相加來產生一第三特徵圖；以及基於該第三特徵圖產生一第一機率值，該第一機率值指示一非肺靜脈(NPV)誘發起源點。
3. 如請求項2之方法，其中當該機率值大於0.5時，判定該第一輸入影像與一非肺靜脈(NPV)誘發起源點相關。
4. 如請求項2之方法，其中：該第一卷積層包括一第一濾波器，且該第二卷積層包括一第二濾波器，且該第一濾波器包括至少一個第一通道，且該第二濾波器包括至少一個第二通道。
5. 如請求項4之方法，其中該第一卷積層之該第一濾波器及該第二卷積層之該第二濾波器係基於來自多名患者之複數個訓練PVCT影像而判定，且該多名患者在一導管電氣燒灼術之後在一預定時間段內不會心房顫動復發。
6. 如請求項5之方法，其中自一左心房之該上部邊界至一心臟之該底部獲得該複數個訓練PVCT影像。
7. 如請求項6之方法，其中該多名患者中之一些具有肺靜脈(PV)誘發起源點，且該多名患者中之其他者具有NPV誘發起源點。
8. 如請求項6之方法，其中：該第一卷積層之該等第一濾波器及該第二卷積層之該等第二濾波器係基於一訓練集及一內部驗證集而判定，該訓練集包括該多名患者之一第一部分及該等對應訓練PVCT影像，該內部驗證集包括該多名患者之一第二部分及該等對應訓練PVCT影像，且該內部驗證集判定該第一卷積層之該等第一濾波器及該第二卷積層之該等第二濾波器是否會聚。
9. 一種用於處理肺靜脈電腦斷層掃描(PVCT)影像之設備，其包含：一處理器；及一記憶體，其儲存使得該處理器執行操作之指令，其中該等操作包含：自一左心房之上部邊界至一心臟之底部輸入複數個輸入影像；判定該複數個輸入影像中之每一者是否與一非肺靜脈(NPV)誘發起源點相關；當判定該複數個輸入影像中多於一半與一NPV誘發起源點相關時，判定該複數個輸入影像與一NPV誘發起源點相關；以及輸出指示該複數個輸入影像與一NPV誘發起源點相關之一輸出。
10. 如請求項9之設備，該等操作進一步包含：輸入該複數個輸入影像中之一第一輸入影像；藉由基於該第一輸入影像及一第一卷積層執行一第一卷積運算來產生一第一特徵圖；藉由基於該第一特徵圖及一第二卷積層執行一第二卷積運算來產生一第二特徵圖；藉由將該第一特徵圖與該第二特徵圖相加來產生一第三特徵圖；基於該第三特徵圖產生一第一機率值，該第一機率值指示一非肺靜脈(NPV)誘發起源點；以及輸出該第一機率值。
11. 如請求項10之設備，其中當該機率值大於0.5時，判定該第一輸入影像與一非肺靜脈(NPV)誘發起源點相關。
12. 如請求項10之設備，其中：該第一卷積層包括一第一濾波器，且該第二卷積層包括一第二濾波器，且該第一濾波器包括至少一個第一通道，且該第二濾波器包括至少一個第二通道。
13. 如請求項12之設備，其中該第一卷積層之該第一濾波器及該第二卷積層之該第二濾波器係基於來自多名患者之複數個訓練PVCT影像而判定，且該多名患者在一導管電氣燒灼術之後在一預定時間段內不會心房顫動復發。
14. 如請求項13之設備，其中自一左心房之該上部邊界至一心臟之該底部獲得該複數個訓練PVCT影像。
15. 如請求項14之設備，其中該多名患者中之一些具有肺靜脈(PV)誘發起源點，且該多名患者中之其他者具有NPV誘發起源點。
16. 如請求項14之設備，其中：該第一卷積層之該等第一濾波器及該第二卷積層之該等第二濾波器係基於一訓練集及一內部驗證集而判定，該訓練集包括該多名患者之一第一部分及該等對應訓練PVCT影像， 該內部驗證集包括該多名患者之一第二部分及該等對應訓練PVCT影像，且該內部驗證集判定該第一卷積層之該等第一濾波器及該第二卷積層之該等第二濾波器是否會聚。
17. 一種非暫時性電腦可讀儲存媒體，其儲存電腦可程式化指令，該等電腦可程式化指令使得一電腦執行操作，該等操作包含：自一左心房之上部邊界至一心臟之底部輸入複數個輸入影像；判定該複數個輸入影像中之每一者是否與一非肺靜脈(NPV)誘發起源點相關；當判定該複數個輸入影像中多於一半與一NPV誘發起源點相關時，判定該複數個輸入影像與一NPV誘發起源點相關；以及輸出指示該複數個輸入影像與一NPV誘發起源點相關之一輸出。
18. 如請求項17之非暫時性電腦可讀儲存媒體，該等操作進一步包含：輸入該複數個輸入影像中之一第一輸入影像；藉由基於該第一輸入影像及一第一卷積層執行一第一卷積運算來產生一第一特徵圖；藉由基於該第一特徵圖及一第二卷積層執行一第二卷積運算來產生一第二特徵圖；藉由將該第一特徵圖與該第二特徵圖相加來產生一第三特徵圖；基於該第三特徵圖產生一第一機率值，該第一機率值指示一非肺靜脈(NPV)誘發起源點；以及輸出該第一機率值。
19. 如請求項18之非暫時性電腦可讀儲存媒體，其中當該機率值大於0.5時，判定該第一輸入影像與一非肺靜脈(NPV)誘發起源點相關。
20. 如請求項18之非暫時性電腦可讀儲存媒體，其中：該第一卷積層包括一第一濾波器，且該第二卷積層包括一第二濾波器，該第一卷積層之該第一濾波器及該第二卷積層之該第二濾波器係基於來自多名患者之複數個訓練PVCT影像而判定，且該多名患者在一導管電氣燒灼術之後在一預定時間段內不會心房顫動復發。

Images