基于深度學(xué)習(xí)分割模型的腦出血CT圖像自動(dòng)分割研究

苗政，李明洋，陳忠萍，王爍，王卓，張磊，陳麗舟，陳云天，史晟先，李昊，石光，朱萬(wàn)安

1.吉林大學(xué)第一醫(yī)院 放射科，吉林 長(zhǎng)春 130000；2.四川大學(xué)華西醫(yī)院 放射科，四川 成都 610041

引言

腦出血是指發(fā)生在腦實(shí)質(zhì)內(nèi)，由非外傷引起的血管破裂出血，是腦卒中各亞型中發(fā)病率僅次于缺血性卒中的嚴(yán)重疾病。在美國(guó)等西方國(guó)家中腦出血患者約占全部卒中患者的10%，而我國(guó)腦出血患者比例則更高，約占全部卒中患者的18%～48%[1]。同時(shí)，腦出血還是致死率極高的一種疾病，發(fā)病急性期內(nèi)致死率高達(dá)30%～50%[2]，在所有卒中類(lèi)型中死亡率最高。因此，腦出血的早期準(zhǔn)確診斷對(duì)于挽救患者生命至關(guān)重要。

頭部CT檢查是腦出血診斷的重要手段之一[3]。頭部CT平掃可以快速且準(zhǔn)確地顯示血腫的部位、估計(jì)血腫體積、評(píng)價(jià)占位效應(yīng)以及周?chē)X組織受損情況，對(duì)于預(yù)測(cè)血腫進(jìn)展、降低早期死亡率具有重要意義[4]。在傳統(tǒng)臨床診斷工作中，可以通過(guò)放射醫(yī)師手動(dòng)標(biāo)注腦出血患者圖像中的血腫區(qū)域來(lái)估計(jì)血腫體積，但這種方法既費(fèi)時(shí)費(fèi)力又容易受到評(píng)估者間的差異影響[5]。而一些基于傳統(tǒng)計(jì)算機(jī)圖像處理算法的標(biāo)注方法如閾值法、區(qū)域增長(zhǎng)法等需要手動(dòng)選取閾值和種子點(diǎn)，并不能實(shí)現(xiàn)全自動(dòng)化分割[6-8]。近年來(lái)，隨著人工智能技術(shù)的不斷發(fā)展，基于人工智能深度學(xué)習(xí)技術(shù)的圖像分割算法亦日趨成熟[9-10]。因此，基于深度學(xué)習(xí)技術(shù)構(gòu)建醫(yī)學(xué)圖像自動(dòng)化分割模型，對(duì)患者頭部CT平掃圖像中血腫區(qū)域進(jìn)行快速準(zhǔn)確地標(biāo)注，對(duì)于腦出血患者的臨床診斷具有重要意義[11-13]。

在基于深度學(xué)習(xí)技術(shù)的圖像分割算法方面，國(guó)內(nèi)外一些研究者已經(jīng)進(jìn)行了大量的研究工作[14-15]。如Schlemper等[16]在傳統(tǒng)U-NET分割網(wǎng)絡(luò)上進(jìn)行改進(jìn)，引入了注意力機(jī)制，利用Attention Gate結(jié)構(gòu)加強(qiáng)通道內(nèi)高貢獻(xiàn)特征表達(dá)，同時(shí)抑制低貢獻(xiàn)特征輸出，進(jìn)而加深模型對(duì)任務(wù)有關(guān)特征的學(xué)習(xí)和理解。但由于缺少殘差層連接，模型內(nèi)部跳層連接時(shí)可能出現(xiàn)梯度消失等問(wèn)題，使特征無(wú)法有效傳遞。Zhou等[17]則改進(jìn)了U-NET網(wǎng)絡(luò)深度固定的缺陷，通過(guò)引入深度可變的網(wǎng)絡(luò)結(jié)構(gòu)以及重新設(shè)計(jì)的跳層連接，使模型在不同大小的分割目標(biāo)上都達(dá)到了較好的分割性能。但由于缺少對(duì)不同感受野卷積核的多面特征融合，因此模型可能無(wú)法綜合有效利用特征。本研究綜合上述算法的優(yōu)勢(shì)，并針對(duì)現(xiàn)有算法的不足，提出了一種新型分割網(wǎng)絡(luò)算法ADUNET，該網(wǎng)絡(luò)通過(guò)構(gòu)建雙編解碼結(jié)構(gòu)和殘差注意力層以便于充分利用圖像特征，并應(yīng)用于頭部CT圖像中血腫區(qū)域的自動(dòng)分割，同時(shí)設(shè)計(jì)一種針對(duì)深度學(xué)習(xí)分割網(wǎng)絡(luò)在血腫區(qū)域分割問(wèn)題上的后處理算法，對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)的分割結(jié)果實(shí)現(xiàn)進(jìn)一步優(yōu)化。

1 材料與方法

1.1 一般資料

本研究得到了吉林大學(xué)第一醫(yī)院醫(yī)學(xué)倫理委員會(huì)的批準(zhǔn)[2019年審（663）號(hào)]，因本研究為回顧性分析免除書(shū)面知情同意。所有檢查均按照相關(guān)指南和規(guī)定進(jìn)行。回顧性分析了2018年4月至2020年8月我院腦出血患者的影像資料，納入標(biāo)準(zhǔn)：① 患者年齡均大于18歲；② 所有患者均在發(fā)病后12 h內(nèi)接受CT檢查；③ 所有患者在進(jìn)行CT檢查前均未接受任何手術(shù)或介入治療。排除標(biāo)準(zhǔn)：① 繼發(fā)性出血，如外傷、動(dòng)脈瘤、血管畸形、缺血再灌注損傷、靜脈竇栓塞、腫瘤；② 孤立性腦室出血；③ CT圖像存在偽影影響診斷；④ 多灶性出血。在全部1331例患者中，915例因顱內(nèi)血腫被排除，最終416例被納入本研究，其中男性218例，女性198例，平均年齡（56.86±12.28）歲，從發(fā)病到第一次CT掃描的中位時(shí)間為3.5 h。

1.2 儀器與方法

所有病例CT圖像均由西門(mén)子或飛利浦CT設(shè)備采集。不同設(shè)備采集過(guò)程中均使用相同的管球電壓，管電流為300或587 mA，掃描層厚為5 mm，像素間距為0.45×0.45 mm2或0.49×0.49 mm2。為減少不同廠商掃描設(shè)備上的成像參數(shù)的差異，將所有體素重新采樣為1.0×1.0×1.0 mm3，并統(tǒng)一采用軟組織窗算法重建圖像。

整體流程如圖1所示，主要由三個(gè)部分組成：第一部分為數(shù)據(jù)預(yù)處理，主要包括圖像格式轉(zhuǎn)換、圖像調(diào)窗以及圖像擺正去骨等操作；第二部分為利用提出的ADUNET分割網(wǎng)絡(luò)對(duì)第一步預(yù)處理后的圖像進(jìn)行腦出血病灶的分割；第三部分為將第二步得到的初步分割結(jié)果做后處理，以進(jìn)一步修正分割結(jié)果。

圖1 整體流程圖

1.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要由三部分組成，首先利用RIAS醫(yī)學(xué)影像預(yù)處理工具[18]將原始DICOM圖像轉(zhuǎn)換為Nifty格式，以便于進(jìn)行后續(xù)操作；由于不同數(shù)據(jù)對(duì)比度存在差異，因此為了使模型更好地對(duì)感興趣區(qū)域分割，本研究利用RIAS工具對(duì)Nifty圖像做自適應(yīng)對(duì)比度調(diào)整，并輸出bmp格式圖像（即調(diào)窗）；最后，為減少拍攝體位以及患者圖像中顱骨結(jié)構(gòu)對(duì)血腫分割的影響，本研究對(duì)圖像進(jìn)行擺正及顱骨去除處理。其中，顱骨去除處理使用基于深度學(xué)習(xí)的VBNet網(wǎng)絡(luò)完成。VB-Net是Han等[19]基于傳統(tǒng)深度學(xué)習(xí)分割網(wǎng)絡(luò)V-Net[20]的改進(jìn)，該方法主要運(yùn)用模型壓縮技術(shù)對(duì)V-Net中的殘差模塊進(jìn)行了重新設(shè)計(jì)，并加入了Bottleneck網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建了一個(gè)全新的分割網(wǎng)絡(luò)模型。該分割網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖如圖2所示。

圖2 基于VB-Net的去頭骨分割網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖

本研究首先對(duì)整體CT圖像進(jìn)行擺正，盡可能將腦中線(xiàn)旋轉(zhuǎn)到與水平線(xiàn)垂直的方向，以利于后續(xù)算法的高效執(zhí)行。然后使用VB-Net網(wǎng)絡(luò)去除掉CT圖像中的頭骨，擺正后和頭骨分割算法的效果如圖3所示。

圖3 VB-Net分割結(jié)果示例圖

1.4 ADUNET網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練

本研究提出一種基于深度學(xué)習(xí)的自動(dòng)分割網(wǎng)絡(luò)ADUNET，該網(wǎng)絡(luò)可針對(duì)預(yù)處理后的圖像實(shí)現(xiàn)腦出血區(qū)域的自動(dòng)分割，ADUNET網(wǎng)絡(luò)結(jié)構(gòu)框圖如圖4所示。

圖4 ADUNET網(wǎng)絡(luò)結(jié)構(gòu)框圖

ADUNET主要由兩組編碼器和解碼器構(gòu)成，其中第一組編解碼器用來(lái)生成粗分割結(jié)果，第二組編解碼器以進(jìn)一步優(yōu)化分割結(jié)果。網(wǎng)絡(luò)通過(guò)共同計(jì)算粗分割結(jié)果和優(yōu)化分割結(jié)果的損失來(lái)訓(xùn)練網(wǎng)絡(luò)參數(shù)，損失函數(shù)如公式（1）所示。

式中，L(out1)為網(wǎng)絡(luò)第一層輸出二值圖像的損失函數(shù)，L(out2)為網(wǎng)絡(luò)輸出端輸出的二值圖像的損失函數(shù)。其中α和β為對(duì)應(yīng)損失函數(shù)的系數(shù)，α+β=1。

輸入圖像首先進(jìn)入第一組編碼器和解碼器結(jié)構(gòu)，其中編碼器由VGG-19網(wǎng)絡(luò)組成，解碼器包括卷積層、池化層。VGG-19網(wǎng)絡(luò)由ImageNet數(shù)據(jù)集預(yù)訓(xùn)練得到，利用該網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)圖像的特征提取。而預(yù)訓(xùn)練過(guò)的VGG-19網(wǎng)絡(luò)由于具有自然場(chǎng)景圖像的低維和高維信息，因此訓(xùn)練時(shí)會(huì)加速網(wǎng)絡(luò)的收斂并提高分割精度。通過(guò)將4種不同尺度下的VGG-19網(wǎng)絡(luò)特征圖輸出，經(jīng)過(guò)殘差注意力層，再與不同尺度的解碼器模塊相連，實(shí)現(xiàn)粗分割結(jié)果的輸出。其中殘差注意力層由卷積層和注意力層組成，殘差結(jié)構(gòu)可以實(shí)現(xiàn)特征的遠(yuǎn)程傳遞以防止梯度消失，注意力層可以引導(dǎo)貢獻(xiàn)度較高的特征高表達(dá)，以實(shí)現(xiàn)高精度分割。解碼器通過(guò)上采樣可以將高維抽象特征恢復(fù)到低維特征，即實(shí)現(xiàn)二值圖像的結(jié)果輸出。不同大小的解碼器特征與對(duì)應(yīng)大小的編碼器特征相融合，再最終將融合后的不同尺度的特征進(jìn)一步融合可以充分提取原始圖像信息。同時(shí)，在編碼器輸出端和解碼器輸入端引入空洞空間卷積池化金字塔結(jié)構(gòu)，通過(guò)采用不同尺度的卷積核對(duì)特征圖進(jìn)行特征提取并融合，可以有效將輸入圖像不同層級(jí)的特征進(jìn)行表達(dá)，有利于模型識(shí)別目標(biāo)區(qū)域。最終第一組編碼器和解碼器結(jié)構(gòu)輸出粗分割結(jié)果，并送入下一組編解碼器。

第二組編解碼器的輸入為粗分割結(jié)果和輸入圖像對(duì)位相乘后的圖像，第二組編碼器對(duì)輸入圖像進(jìn)行不同尺度的卷積并得到特征圖，再送入第二組空洞空間卷積池化金字塔后，送入解碼器模塊。第二組解碼器通過(guò)融合第一組編碼器對(duì)應(yīng)尺度的特征圖以及經(jīng)過(guò)殘差注意力層后對(duì)應(yīng)尺度的第二組編碼器特征圖以實(shí)現(xiàn)分割結(jié)果的優(yōu)化。模型最終輸出為粗分割結(jié)果和優(yōu)化分割結(jié)果的融合圖像，即ADUNET的分割結(jié)果。

深度學(xué)習(xí)分割網(wǎng)絡(luò)訓(xùn)練時(shí)，學(xué)習(xí)率設(shè)為0.0001，Batch Size設(shè)為16，優(yōu)化器為Adam，當(dāng)驗(yàn)證集Dice系數(shù)連續(xù)10輪無(wú)明顯變化時(shí)，學(xué)習(xí)率乘以0.1，最低學(xué)習(xí)率為0.00001。

1.5 分割后處理算法

本研究提出一種針對(duì)深度學(xué)習(xí)分割網(wǎng)絡(luò)在腦出血分割問(wèn)題上的后處理算法，算法流程圖如圖5所示。由于受限于數(shù)據(jù)量或分割任務(wù)難度等因素，深度學(xué)習(xí)分割網(wǎng)絡(luò)可能無(wú)法完全實(shí)現(xiàn)腦出血區(qū)域的精細(xì)分割，如出現(xiàn)非標(biāo)注層的假陽(yáng)性結(jié)果或標(biāo)注層的假陰性結(jié)果等，因此后處理算法可以進(jìn)一步優(yōu)化深度學(xué)習(xí)分割結(jié)果。

圖5 后處理算法流程圖

分割后處理算法主要由4個(gè)步驟組成，輸入端為網(wǎng)絡(luò)輸出分割結(jié)果和原始圖像。首先計(jì)算圖像內(nèi)前景圖像的均值、最大值和標(biāo)準(zhǔn)差，并以均值為下界點(diǎn)，最大值-標(biāo)準(zhǔn)差為上界點(diǎn)，同時(shí)利用雙邊閾值分割得到分割標(biāo)簽。由于雙邊閾值的分割會(huì)存在一定的假陽(yáng)性和孔洞，因此利用腐蝕、膨脹算法及中值濾波算法進(jìn)一步平滑分割結(jié)果，最后利用最大連通域算法剔除掉離散噪聲的分割結(jié)果。

2 結(jié)果

2.1 數(shù)據(jù)集及工具

本研究共納入患者416例，按照比例7∶3隨機(jī)分為訓(xùn)練集291例和測(cè)試集125例。所有患者影像數(shù)據(jù)的腦出血區(qū)域由兩名高年資放射科醫(yī)生利用開(kāi)源標(biāo)注軟件ITKSnap（V3.8.0，http://www.itksnap.org/pmwiki/pmwiki.php）共同標(biāo)注，并對(duì)最終標(biāo)注結(jié)果達(dá)成一致。訓(xùn)練集數(shù)據(jù)為標(biāo)注層的2D圖像，測(cè)試集數(shù)據(jù)為所有層面的2D圖像。本研究通過(guò)對(duì)測(cè)試集中單個(gè)病例的所有單層圖像進(jìn)行分割和后處理，最后融合成3D分割標(biāo)簽。

硬件設(shè)備 ：CPU ：AMD EPYC 7402 24-Core Processor 2.80 GHz；GPU：NVIDIA Tesla A100（40 G）；內(nèi) 存：75 G。軟件 工 具：ITK-Snap；RIAS（V0.1.3）；TensorFlow：2.3；Python：3.6.9。

2.2 結(jié)果評(píng)估方法

本研究主要采用醫(yī)學(xué)圖像分割領(lǐng)域廣泛使用的5種方法對(duì)結(jié)果進(jìn)行評(píng)價(jià)[21]。其公式分別如式（2）～（6）所示。

①Dice系數(shù)：

② HD 系數(shù)（Hausdorff-Distance）：

③Jaccard系數(shù)：

④精確率（Precision）：

⑤召回率（Recall）：

其中，TP、TN、FP、FN分別表示真陽(yáng)性、真陰性、假陽(yáng)性、假陰性的數(shù)量。

2.3 不同分割算法結(jié)果

基于不同深度學(xué)習(xí)分割網(wǎng)絡(luò)對(duì)測(cè)試集的腦出血分割結(jié)果如表1所示。表中列出測(cè)試集中所有患者的平均Dice系數(shù)、HD系數(shù)等評(píng)價(jià)指標(biāo)。由表1可以看出，ADUNET相比于Attention UNET和UNET plus在各項(xiàng)評(píng)價(jià)指標(biāo)中均最好。其中Dice系數(shù)達(dá)到0.896，相比于其他網(wǎng)絡(luò)提升了5%。而Attention UNET和UNET plus在各項(xiàng)指標(biāo)中均各有優(yōu)勢(shì)，無(wú)明顯差異。綜合來(lái)看ADUNET基本可以實(shí)現(xiàn)腦出血區(qū)域的分割且分割效能較好。在平均精確度和平均召回率上ADUNET均明顯高于其他網(wǎng)絡(luò)，間接說(shuō)明了ADUNET可以有效避免假陽(yáng)性和假陰性的分割。

表1 不同深度學(xué)習(xí)分割網(wǎng)絡(luò)對(duì)測(cè)試集的腦出血分割評(píng)分

2.4 分割后處理算法結(jié)果

針對(duì)不同分割網(wǎng)絡(luò)的分割結(jié)果分別應(yīng)用后處理算法優(yōu)化，結(jié)果如表2所示，后處理算法能在一定程度上進(jìn)一步提高模型的分割精度。對(duì)于Attention UNET和ADUNET，后處理算法在平均Dice系數(shù)上有略微提高，但是在部分指標(biāo)上略有下降。對(duì)于UNET Plus網(wǎng)絡(luò)來(lái)說(shuō)，后處理算法有效提高了分割精度。相比于原始分割結(jié)果來(lái)說(shuō)，加入后處理算法的分割結(jié)果指標(biāo)均優(yōu)于加入后處理算法前的指標(biāo)。由此綜合來(lái)看，本研究提出的后處理算法對(duì)于分割結(jié)果的優(yōu)化有積極作用。

表2 應(yīng)用后處理算法優(yōu)化后的不同深度學(xué)習(xí)分割網(wǎng)絡(luò)對(duì)測(cè)試集的腦出血分割評(píng)分

2.5 整體結(jié)果

綜合來(lái)看，本文提出的ADUNET可以有效分割腦出血區(qū)域，同時(shí)引入后處理算法可進(jìn)一步優(yōu)化分割結(jié)果。不同模型在測(cè)試集中所有患者的Dice系數(shù)箱型圖如圖6所示。由圖6可以看出，在測(cè)試集的所有患者中，未使用后處理算法之前ADUNET的箱型圖的寬度相比于另外兩個(gè)模型更窄，且中位數(shù)最高。同時(shí)離群數(shù)據(jù)數(shù)量和范圍相比其他兩個(gè)模型更少和更窄。這進(jìn)一步說(shuō)明ADUNET可以更準(zhǔn)確地實(shí)現(xiàn)腦出血定量精準(zhǔn)分割。使用了后處理算法后，ADUNET-P相比于ADUNET來(lái)說(shuō)，Dice系數(shù)中位數(shù)提高，離散值范圍減少。而使用了后處理算法的UNET Plus-P相比于UNET Plus來(lái)說(shuō)，箱型圖寬度變窄，離散值范圍變少。Attention UNET-P 相比于 Attention UNET 來(lái)說(shuō)，中位數(shù)提高但離群值范圍略微增加。因此通過(guò)對(duì)測(cè)試集所有患者的Dice系數(shù)結(jié)果分析，綜合來(lái)說(shuō)ADUNET-P效果最優(yōu)，證明本研究提出的深度學(xué)習(xí)網(wǎng)絡(luò)ADUNET在腦出血分割上具有較好的效能，而后處理算法可以針對(duì)不同的網(wǎng)絡(luò)分割結(jié)果均起到優(yōu)化的作用。

圖6 測(cè)試集中所有患者的Dice系數(shù)箱型圖

不同模型和算法在同一2D層面的分割效果如圖7所示。由圖7可以看出，UNET Plus模型會(huì)存在更大的假陽(yáng)性，但經(jīng)過(guò)后處理算法后假陽(yáng)性被有效剔除。同時(shí)ADUNET-P相比于其他模型精準(zhǔn)度更高。

圖7 不同深度學(xué)習(xí)分割網(wǎng)絡(luò)及后處理算法對(duì)測(cè)試集的腦出血分割結(jié)果

3 討論

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)分割模型ADUNET，以及一種針對(duì)分割結(jié)果的后處理算法，可以有效實(shí)現(xiàn)腦出血的自動(dòng)分割及檢出，提高臨床醫(yī)生工作效率及準(zhǔn)確度，具有較大的臨床意義。通過(guò)將原始DICOM圖像進(jìn)行圖像預(yù)處理后，得到擺正、去頭骨及對(duì)比度調(diào)節(jié)后的Nifty圖像，進(jìn)而送入ADUNET實(shí)現(xiàn)對(duì)腦出血部分的準(zhǔn)確識(shí)別和分割，同時(shí)應(yīng)用后處理算法可以進(jìn)一步優(yōu)化分割結(jié)果。通過(guò)對(duì)比已有的深度學(xué)習(xí)分割網(wǎng)絡(luò)在相同訓(xùn)練集和測(cè)試集上的效能，證明ADUNET有較好的分割效能。通過(guò)橫向?qū)Ρ群筇幚硭惴▽?duì)不同網(wǎng)絡(luò)分割結(jié)果的效能提升，可以證明本文提出的后處理算法的有效性。

本文提出的方法也需要做出一定改進(jìn)：首先，由于ADUNET屬于2D深度學(xué)習(xí)分割網(wǎng)絡(luò)，因此未考慮相鄰層的圖像空間關(guān)系，對(duì)于較小病灶的識(shí)別還有待提高；其次，ADUNET的網(wǎng)絡(luò)架構(gòu)需進(jìn)一步完善和優(yōu)化，以提高雙編碼器和解碼器對(duì)于特征的提取和應(yīng)用效率；最后，本文提出的后處理算法在某些方面還存在假陰性等問(wèn)題，因此需進(jìn)一步優(yōu)化算法以提高后處理精度。此外，在CT圖像采集階段，目前有濾波反投影算法、混合迭代重建算法、全模型迭代重建算法等多種重建技術(shù)[22]，不同的重建技術(shù)對(duì)于頭部CT圖像質(zhì)量以及后續(xù)分割模型結(jié)果的影響也有待進(jìn)一步探討。今后，我們將在深度學(xué)習(xí)分割模型網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化、不同重建算法對(duì)分割結(jié)果的影響、以及能譜CT[23]等新序列對(duì)腦出血較小病灶檢出的應(yīng)用價(jià)值等多個(gè)方面進(jìn)行更深入的思考和探索。

4 結(jié)論

本文主要提出了一種基于頭部CT圖像的腦出血精準(zhǔn)分割模型ADUNET，并進(jìn)一步提出一種基于閾值的后處理算法以提高模型分割準(zhǔn)確度。主要對(duì)比了后處理算法前，ADUNET和其他已有模型的分割精準(zhǔn)度，證明了ADUNET效能最優(yōu)（Dice=0.8956）。同時(shí)也驗(yàn)證了提出的后處理算法可以對(duì)不同分割網(wǎng)絡(luò)的分割精度均有不同程度的提升，且ADUNET-P效能最優(yōu)（Dice=0.8999）。因此本文提出的結(jié)合后處理算法的深度學(xué)習(xí)網(wǎng)絡(luò)ADUNET-P可以有效對(duì)頭部CT圖像的腦出血區(qū)域?qū)崿F(xiàn)精準(zhǔn)的體素分割，并為后續(xù)的出血體積測(cè)量提供了新的手段和方法。