最新冠脉解剖与介入课件PPT.ppt 83页

'冠脉解剖与介入 冠状动脉冠状动脉是指分布在心外膜下和心肌壁内、外并将血液转运到毛细血管床部分的血管1.心外膜下和心肌壁外——粗大2.心肌壁内的部分——细小冠脉造影只能显示直径大于0.5mm血管 冠状动脉主要分支左冠状动脉（LCA,LeftCoronaryArtery）左主干（LM,LeftMainCoronaryArtery）左前降支（LAD,LeftAnteriorDecendingBranch）左回旋支（LCX,LeftCircumflexBranch）右冠状动脉（RCA,RightCoronaryArtery） 心脏示意图 常用投照体位体位缩写：左前斜位（LAO,LeftAnteriorOblique)右前斜位（RAO,RightAnteriorOblique)后前位即正位（AP,AnteriorPosterior）头位cranial足位caudal侧位Lateral 冠脉造影体位示意图 冠状动脉常用体位左冠状动脉：LAOcranialandcaudalRAOcranialandcaudalAPcranialLateral右冠状动脉：RAO,LAO,APcranialandcaudal 左冠状动脉LAO45Caudal30LMLCXLADOM 左冠状动脉APCranial30间隔支对角支 左冠状动脉LAO45Cranial30LADLCX 左冠状动脉RAOCranial支架置入处3.0*24mm 左冠状动脉RAOCaudalLCXOM1 右冠状动脉LAO45圆锥支PLVPDA右室支锐缘支房室结支80%狭窄部位 右冠状动脉LAO45圆锥支右室支PDAPLV支架置入处4.0*19mm 右冠状动脉RAO30PDAPLV1,2右室支 右冠状动脉APCranial30 优势冠脉Dominance表示由哪一侧冠状动脉供应室间隔的膈面和左室的膈面部分定义1.该冠脉到达后十字交叉并发出后降支PDA定义2.该冠脉发出PDA并同时有大的左室后侧支PLV85%右优势,8%左优势,7%均衡型 左优势冠脉 左优势冠脉APCaudal 旁路移植血管BypassGraft1.动脉桥血管：内乳动脉IMA（InternalMammalArtery）桡动脉（radialartery）2.静脉桥血管大隐静脉SVG（SaphenousVeinGrafts） SVG—OMAPCaudal SVG—OM SVG—RCALAOSVG LIMA—LADAPCranial 冠脉斑块的形态学分类局限性病变：病变长度<10mm管状病变：病变长度10~20mm弥漫性病变：病变长度>20mm偏心性病变：病变斑块偏向管腔一侧同心性病变：斑块以管腔中心均匀分布成角性病变：病变处血管成角>45度狭窄性病变：病变血管管腔狭窄但未闭塞闭塞性病变：病变血管无造影剂显影不规则性病变：轻度的管腔不光滑病变<25% 软斑块病变钙化病变溃疡病变瘤样病变夹层病变血栓病变冠脉痉挛冠脉肌桥冠脉斑块的组织学分类 AHA/ACC狭窄病变分型A型:局限性Discrete向心性Concentric导管易进入病变ReadilyAccessible血管段弯曲<45度病变外形光滑SmoothContour无或轻度钙化Littleornocalcification非开口Non-ostial未累及大分支Nomajorsidebranchinvolved无血栓Absenceofthrombus AHA/ACC狭窄病变分型B型：管状病变Tubular偏心性Eccentric外形不规则IrregularContour中度弯曲病变Moderatelytortuousity中度成角病变Moderateangulated（45~90）中重度钙化Moderate-heavycalcification新近完全闭塞（<3月）TotalOcclusion开口病变Ostial累及大分支但可以保护Bifurcation血栓Thrombuspresent AHA/ACC狭窄病变分型C型：弥漫性病变Diffuse病变血管近端极度弯曲Excessivetortuosity病变成角严重Extremelyangulated慢性完全闭塞TotalOcclusion（>3m）累及大分支且无法保护Inabilityprotectmajorsidebranch变性伴纤维化的桥血管病变DegeneratedSVG 冠脉血流分级TIMI分级（ThrombolysisinMyocardialInfarctionTrail,TIMI）TIMI0级：闭塞远端血管无血流TIMI1级：病变远端血管有前向血流,但不能充盈远端血管床TIMI2级：造影剂能缓慢充盈远端血管床（>3个心动周期）TIMI3级：造影剂迅速充盈和清除（<3个心动周期） 左主干局限性病变治疗前治疗后 开口病变 成角病变 溃疡及偏心病变 迂曲病变 严重钙化病变 血栓病变 夹层病变 SVG病变 分叉病变 分叉病变—铲雪效应 对吻球囊KissingBalloon PTCA的手术过程示意图 典型病例介绍患者男性，48岁危险因素：HBP22年，混合性高脂血症12年主诉“活动时胸痛1月，持续胸痛10h”于2003.4.15入院ECG：II,III,avFST抬高1mm；III,AVF为Qr形,T波直立；后壁右室导联ST平，T直立化验：FBG8.9mmol/L,PBG13.3mmol/LCK峰值1534U/L，CK－MB峰值47U/L 左冠造影LM，LCX无明显狭窄，LAD分出S1处90%偏心狭窄，S1开口90%狭窄，可见侧支循环供应RCA 右冠造影RCA第一转折前完全闭塞，TIMI血流0级 RCA球囊扩张球囊Stormer3.0*20mm6~8atm扩张8~30” RCA球囊扩张后造影扩张后RCA血流恢复接近TIMI3级原闭塞处仍75%残余狭窄，中段有一处70%左右局限性狭窄 RCA支架定位将支架定位于原闭塞部位，支架为Devon4.0*19mm 支架置入支架释放压15atm*20” 最终结果术后支架置入处无残余狭窄，血流TIMI3级术前造影 处理LAD病变8天后处理LAD LAD术前、术后比较LAD置入Devon3.5*19mm支架，释放压15atm最终结果理想 半年后复查复查见LAD支架内轻度内膜增生20~30%无再狭窄 半年后复查RCA复查支架内内膜增生<30%中段病变与前比较未加重，建议药物治疗随访 谢谢 第四章统计判别 4.1作为统计判别问题的模式分类模式识别的目的就是要确定某一个给定的模式样本属于哪一类。可以通过对被识别对象的多次观察和测量，构成特征向量，并将其作为某一个判决规则的输入，按此规则来对样本进行分类。 4.1作为统计判别问题的模式分类在获取模式的观测值时，有些事物具有确定的因果关系，即在一定的条件下，它必然会发生或必然不发生。例如识别一块模板是不是直角三角形，只要凭“三条直线边闭合连线和一个直角”这个特征，测量它是否有三条直线边的闭合连线并有一个直角，就完全可以确定它是不是直角三角形。这种现象是确定性的现象，前一章的模式判别就是基于这种现象进行的。 但在现实世界中，由许多客观现象的发生，就每一次观察和测量来说，即使在基本条件保持不变的情况下也具有不确定性。只有在大量重复的观察下，其结果才能呈现出某种规律性，即对它们观察到的特征具有统计特性。特征值不再是一个确定的向量，而是一个随机向量。此时，只能利用模式集的统计特性来分类，以使分类器发生错误的概率最小。4.1作为统计判别问题的模式分类 4.1.1贝叶斯判别原则两类模式集的分类目的：要确定x是属于ω1类还是ω2类，要看x是来自于ω1类的概率大还是来自ω2类的概率大。贝叶斯判别4.1作为统计判别问题的模式分类 4.1.1贝叶斯判别原则例子对一大批人进行癌症普查，患癌者以ω1类代表，正常人以ω2类代表。设被试验的人中患有癌症的概率为0.005，即P(ω1)=0.005，当然P(ω2)=1-0.005=0.995现任意抽取一人，要判断他是否患有癌症。显然，因为P(ω2)>P(ω1)，只能说是正常的可能性大。如要进行判断，只能通过化验来实现。4.1作为统计判别问题的模式分类 4.1.1贝叶斯判别原则例子设有一种诊断癌症的试验，其结果为“阳性”和“阴性”两种反应。若用这种试验来对一个病人进行诊断，提供的化验结果以模式x代表，这里x为一维特征，且只有x=“阳”和x=“阴”两种结果。4.1作为统计判别问题的模式分类 4.1.1贝叶斯判别原则例子假设根据临床记录，发现这种方法有以下统计结果患有癌症的人试验反应为阳性的概率=0.95，即p(x=阳|ω1)=0.95患有癌症的人试验反应为阴性的概率=0.05，即p(x=阴|ω1)=0.05正常人试验反应为阳性的概率=0.01，即p(x=阳|ω2)=0.01正常人试验反应为阴性的概率=0.99，即p(x=阴|ω2)=0.994.1作为统计判别问题的模式分类 4.1.1贝叶斯判别原则问题若被化验的人具有阳性反应，他患癌症的概率为多少，即求P(ω1|x=阳)=？这里P(ω1)是根据以往的统计资料得到的，为患癌症的先验概率。现在经过化验，要求出P(ω1|x=阳)，即经过化验后为阳性反应的人中患癌症的概率，称为后验概率。[计算]4.1作为统计判别问题的模式分类 4.1.2贝叶斯最小风险判别当考虑到对于某一类的错误判决要比对另一类的判决更为关键时，就需要把最小错误概率的贝叶斯判别做一些修正，提出条件平均风险rj(x)。M类分类问题的条件平均风险rj(x)对M类问题，如果观察样本被判定属于ωj类，则条件平均风险为：Lij称为将本应属于ωi类的模式判别成属于ωj类的是非代价。4.1作为统计判别问题的模式分类 4.1.2贝叶斯最小风险判别意义对于自然属性是属于ωi类的模式x来说，它来自ωi类的概率应为P(ωi|x)。如果分类器判别x是属于ωj类，但它实际上来自ωi类，也就是说分类器失败，这时Lij为失分，对应的条件风险为后验概率进行Lij的加权运算。由于模式x的自然属性可能来自M类中的任一类，因此可将观察样本指定为ωj类的条件平均风险用rj(x)的公式运算。4.1作为统计判别问题的模式分类 4.1.2贝叶斯最小风险判别Lij的取值若i=j，即判别正确，得分，Lij可以取负值或零，表示不失分。若i<>j，即判别错误，失分，Lij应取正值。最小平均条件风险分类器分类器对每一个模式x有M种可能的类别可供选择。若对每一个x计算出全部类别的平均风险值r1(x),r2(x),…,rM(x)，并且将x指定为是具有最小风险值的那一类，则这种分类器称为最小平均条件风险分类器。表达式4.1作为统计判别问题的模式分类 4.1.2贝叶斯最小风险判别两类（M=2）的情况[例子]一般多类（M类）的情况4.1作为统计判别问题的模式分类 出发点当已知或者有理由设想类概率密度函数P(x|ωi)是多变量的正态分布时，上一节介绍的贝叶斯分类器可以导出一些简单的判别函数。由于正态密度函数易于分析，且对许多重要的实际应用又是一种合适的模型，因此受到很大的重视。4.2正态分布模式的贝叶斯分类器 M种模式类别的多变量正态类密度函数判别函数是一个超二次曲面。对于正态分布模式的贝叶斯分类器，两个模式类别之间用一个二次判别界面分开，就可以求得最优的分类效果。两类问题且其类模式都是正态分布的特殊情况当C1<>C2时的情况显然，判别界面d1(x)-d2(x)=0是x的二次型方程，即ω1和ω2两类模式可用二次判别界面分开。当x是二维模式时，判别界面为二次曲线，如椭圆，圆，抛物线或双曲线等。当C1=C2=C时的情况判别界面为x的线性函数，为一超平面。当x是二维时，判别界面为一直线。4.2正态分布模式的贝叶斯分类器 [例子]讨论贝叶斯分类规则是基于统计概念的。如果只有少数模式样本，一般较难获得最优的结果。4.2正态分布模式的贝叶斯分类器 作业及编程设以下模式类别具有正态概率密度函数：ω1：{(00)T,(20)T,(22)T,(02)T}ω2：{(44)T,(64)T,(66)T,(46)T}（1）设P(ω1)=P(ω2)=1/2，求这两类模式之间的贝叶斯判别界面的方程式。（2）绘出判别界面。编写两类正态分布模式的贝叶斯分类程序。（可选例题或上述作业题为分类模式） 在贝叶斯分类器中，构造分类器需要知道类概率密度函数p(x|ωi)。如果按先验知识已知其分布，则只需知道分布的参数即可。例如：类概率密度是正态分布，它完全由其均值向量和协方差矩阵所确定。对均值向量和协方差矩阵的估计即为贝叶斯分类器中的一种参数估计问题。4.3均值向量和协方差矩阵的参数估计 参数估计的两种方式一种是将参数作为非随机变量来处理，例如矩估计就是一种非随机参数的估计。另一种是随机参数的估计，即把这些参数看成是随机变量，例如贝叶斯参数估计。4.3均值向量和协方差矩阵的参数估计 均值和协方差矩阵的非随机参数的估计均值和协方差矩阵的估计量定义均值和协方差矩阵估计量的迭代运算4.3均值向量和协方差矩阵的参数估计 均值向量和协方差矩阵的贝叶斯学习将概率密度函数的参数估计量看成是随机变量θ，它可以是纯量、向量或矩阵。按这些估计量统计特性的先验知识，可以先粗略地预选出它们的密度函数。通过训练模式样本集{xi}，利用贝叶斯公式设计一个迭代运算过程求出参数的后验概率密度p(θ|xi)。当后验概率密度函数中的随机变量θ的确定性提高时，可获得较准确的估计量。4.3均值向量和协方差矩阵的参数估计 均值向量和协方差矩阵的贝叶斯学习一般概念单变量正态密度函数的均值学习4.3均值向量和协方差矩阵的参数估计'