Chapter 1 緒論
1.3 研究目的
1.3.1 冠狀動脈結構與血管堵塞風險評估
本研究之目的在於分析冠狀動脈之結構與偵測冠狀動脈之狹窄。為了對研究 主題有更深入的了解，我們參考了 Sianos 等人有關「The SYNTAX Score」的研究 [14]。該研究指出，以左心室（left ventricle, LV）的循環供給作為區分，冠狀動脈 結構的種類可分為「right dominant」與「left dominant」兩大類。在右冠狀動脈（right coronary artery, RCA）支應 LV 的情況下（right dominant），RCA 大約支應了 16%
的 LV 循環，左冠狀動脈（left coronary artery, LCA）則支應了剩下的 84%。在 LCA 支應的 84%中，大約有 66%來自左前降支（left anterior descending artery, LAD）、
33%來自左迴旋支（left circumflex coronary artery, LCX）。相反的，在 RCA 不支應 LV 的情況下，則由 LAD 完全供應 LV 之循環（left dominant），冠狀動脈之結構亦 因對 LV 之循環供給差異而對應改變（詳如圖 1.8）。在 SYNTAX Score 的設定中，
每條管狀動脈之狀態（狹窄程度）都會列入評分計算，且會依據每條血管之重要 性設定其權重參數。對此，找到相對應血管進行評估亦為本研究的重點之一。
SYNTAX Score 對血管堵塞（occlusive lesion）程度之分析則較為簡略，僅藉 由二維之血管攝影影像對直徑 1.5mm 以上之血管進行評估，判斷標準為血管狹窄 處（diameter stenosis）是否造成了血管直徑（血液可流通之管腔部分）減少一半以 上。血管堵塞的風險評估則考量了實施侵入性血管攝影手術時是否容易破壞斑塊 造成出血，不同的堵塞狀況下亦會有不同的權重參數。在 SYNTAX Score 設定中，
將完全堵塞（100% diameter stenosis）的風險因子設定為 5、嚴重堵塞（50% - 99%
diameter stenosis）設定為 2、輕微堵塞（0% - 49% diameter stenosis）則設定為 1。
圖 1.8 冠狀動脈之結構 [14]。
已知斑塊的大小（直接影響血管管腔與血液流量）與斑塊內容物組成（是否 容易破裂造成後方小血管堵塞）都是評估血管堵塞的依據。在 MSCT 影像中，前 者可藉由斑塊的體積（volume）來進行定量分析，後者則可藉由斑塊結構內所有 像素之灰階值分佈（distribution）來進行定性分析。但圖 1.9 則揭露了另一項重要 的評估依據：「斑塊的位置」。由於斑塊的形成與血管內皮細胞受損有關，因此斑 塊可能發生於冠狀動脈中的任何位置，但同樣的斑塊出現在不同的位置卻可能造 成截然不同的風險。考量實施心導管手術時，導管必須來回穿梭於血管中，每次 移動都可能引發斑塊的破裂造成出血。因此 SYNTAX score 對出現在血管分支處或 血管彎曲處之斑塊亦會反映出較高的風險權重。
圖 1.9 冠狀動脈分支處可能發生狹窄的 7 種情形 [14]。
1.3.2 冠狀動脈結構偵測之困難
與血管狹窄（堵塞）處之 MSCT 影像會明顯受到 partial volume effect 之影響，血管實際直徑與長度之判定存在有相當的難度。
二、 冠狀動脈具有多分支且其血管走向存在差異：不同個體（病歷）之冠狀動脈 結構均存在明顯差異，難以完全歸納正常冠狀動脈結構之特徵。少有冠狀動 脈結構（包括：血管分支位置、分支走向、血管長度）完全相等的兩個個體，
而此較難應用學習機之演算法（machine learning）達到完整分割冠狀動脈結 構的目標。
血管未能出現在同一平面上之案例。
四、 冠狀動脈邊緣與其他相鄰組織之灰階值過於相似：在影像解析度有限的狀態 下，冠狀動脈血管會與附近的心房、心室空間發生相連或緊鄰的情形如圖 1.10
（Ｂ）。此特性使得一般的血管結構分割的演算法在分辨血管分支與相鄰組織 時容易發生誤判。
五、 施打顯影劑：在進行電腦斷層掃描前，受測者會施打適當類型的顯影劑，以 加強血管結構與其他組織的對比度。但由於 MSCT 造影成像之掃描時取樣時 間需人工設定，考量顯影劑會隨著血液進入循環且病患身體循環狀況存在差 異，可能導致血管內亮度不均。可能產生顯影劑尚未流入部份血管（過早取 樣影像）或顯影劑已離開冠狀動脈（過晚取樣影像）之情況。
六、 電腦斷層掃描的 artifacts：在心臟的收縮過程中，冠狀動脈也會不斷的改變位 置。在心室充滿血液的情況下，能觀測到最完整之冠狀動脈結構。因此 MSCT 造影成像需考量 ECG-gating 方能取得完整的心臟影像。隨著心臟的收縮，週 期性的 ECG 訊號難免存在著些微差異。因此，若同一冠狀動脈血管分支之造 影成像參考了兩個不同週期的取樣影像，其影像交界處很可能會產生雜訊，
造成血管分割時的困難。
圖 1.10 電腦斷層掃描影像（3）。（Ａ）部份血管因彎曲程度過大，導致無法於同 一平面顯示完整血管，（Ｂ）冠狀動脈與其他灰階值相近之組織相連的例子。
1.3.3 本研究之目的與利基
一、 圖形辨識 (Pattern recognition techniques)
圖形識別的方式在用於追蹤血管的方式相當直觀，但容易受背景資訊影響。
例如 Hennemuth 之研究 [16]，分別透過二維與三維之區域成長演算法（region growing）尋找恰當之血管起點（seed point）後進行血管分割。但僅考慮影像 灰階值之演算法，往往會受到 partial volume effect 極大的影響，進而導致於 血管分支、血管狹窄、血管末梢等位置形成錯誤的分割結果。儘管 Mueller 等人試圖加入影像前處理（gray-scale morphological operators）來優化演算法，
但效果仍然相當有限 [17]。
二、 血管模型 (Model-based approaches)
Fotin 曾以單位圓柱作為漸進式搜尋冠狀動脈的基本幾何模型，並以 template matching 的方式試圖找出最佳的行進方向 [18]。但仍會受到背景訊息之影響，
且血管結構（尤其是分支處）亦難以透過基本幾何模型完整描述。