卷積神經(jīng)網(wǎng)絡(luò)探索孕中晚期胎兒大腦發(fā)育模式研究進(jìn)展

夏 坤，沈旨艷，幸志洋，向江月，王榮品*

(1.遵義醫(yī)科大學(xué)研究生院，貴州 遵義 563000；2.貴州省人民醫(yī)院醫(yī)學(xué)影像科 貴州省智能醫(yī)學(xué)影像分析與精準(zhǔn)診斷重點實驗室 貴州省精準(zhǔn)影像診療示范型國際科技合作基地，貴州 貴陽 550002)

胎兒MRI可定量評估胎兒腦結(jié)構(gòu)生長發(fā)育變化，用于定性診斷先天性神經(jīng)系統(tǒng)疾病具有獨特優(yōu)勢[1]；但圖像質(zhì)量及人為測量誤差會對結(jié)果帶來一定影響。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network， CNN)是目前醫(yī)學(xué)領(lǐng)域應(yīng)用最廣且成效極佳的分割方法，已廣泛用于成人各系統(tǒng)，如以稀疏回歸模型與深度學(xué)習(xí)相結(jié)合可成功預(yù)測阿爾茨海默病預(yù)后[2]，根據(jù)乳腺影像報告和數(shù)據(jù)系統(tǒng)分類圖像建立的算法輔助醫(yī)師測量病灶大小并判斷其性質(zhì)[3]，基于遷移學(xué)習(xí)和3D CNN自動精確檢測肺部不同大小結(jié)節(jié)[4]，基于胸部X線片建立的CNN模型診斷兒童不同病原體社區(qū)獲得性肺炎[5]，將CNN用于鑒別浸潤性肺腺癌[6]、分割及檢測腹、盆腔病灶等[7]；而CNN用于胎兒尚處于起步階段。本文就基于CNN探索妊娠中晚期胎兒大腦發(fā)育模式進(jìn)展進(jìn)行綜述。

1 CNN概述

1.1 結(jié)構(gòu) 近年來人工智能研究高潮迭起，用于處理復(fù)雜、煩瑣的醫(yī)學(xué)任務(wù)成效卓著。CNN是人工智能深度學(xué)習(xí)的重要分支，憑借其獨特的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法，結(jié)合線性整流函數(shù)(rectified linear unit, ReLU)，擁有自主學(xué)習(xí)能力[8]。CNN包括卷積層、池化層、非線性層及全連接層(致密層)共4層結(jié)構(gòu)[9]。卷積層為核心層，是自主學(xué)習(xí)的基礎(chǔ)，通過識別平面圖像的邊緣及方向而把握線性特征，形成固定的過濾器(filter)，且無須人為設(shè)定，經(jīng)多次反復(fù)訓(xùn)練即可產(chǎn)生；卷積層細(xì)小但數(shù)量較多，可沿圖像軸深入識別，同時將識別完成的每一小塊影像特征轉(zhuǎn)換為輸出值，數(shù)值大小代表不同的線性特征及空間位置，直至獲得整個圖像的矩陣輸出值；池化層為空間維度采像，嵌插于卷積層之間，逐漸縮減空間圖像尺寸，調(diào)整擬合，各層間獨立操作，利用最大函數(shù)將上一層的最大層面作為下一層面的輸入?yún)?shù)，依次細(xì)化；非線性層通過ReLU逐層激活；全連接層負(fù)責(zé)分類圖像，將卷積層與池化層圖像分類整合[10]。CNN基于以上結(jié)構(gòu)實現(xiàn)精準(zhǔn)分割特定結(jié)構(gòu)。

1.2 分類 CNN分類較多，如2012年由Alex創(chuàng)建的包含5個卷積層的Alex-Net，2014年Karen Simonyan創(chuàng)建的分別由16或19層結(jié)構(gòu)構(gòu)成的VGG16/19 CNN和弗雷堡大學(xué)開發(fā)的U-Net。U-Net的分割架構(gòu)系利用收縮路徑及擴(kuò)展路徑替代完全連接層，分割準(zhǔn)確性高，是目前CNN最常用的算法[11]。此外，新開發(fā)的CNN算法還包括GoogLeNet、ResNet及SPP-Net等，在深度和靈活性方面均有一定提升。

1.3 步驟 建立CNN包括預(yù)處理、分割、訓(xùn)練、創(chuàng)建算法及驗證等步驟，預(yù)處理及分割為其中重點。通過預(yù)處理可獲得去顱骨的標(biāo)準(zhǔn)三維圖像，又稱空間標(biāo)準(zhǔn)化。圖像方向性和空間角度性變化是產(chǎn)生偽影的源頭，空間標(biāo)準(zhǔn)化后的圖像可有效避開偽影，在此基礎(chǔ)上進(jìn)行人工勾畫、訓(xùn)練算法，更有助于建立CNN[12]。

2 CNN探索孕中晚期胎兒大腦發(fā)育模式

2.1 數(shù)據(jù)納入及準(zhǔn)備工作 所納入MRI質(zhì)量應(yīng)足夠穩(wěn)定，常規(guī)掃描顯示胎兒無明顯結(jié)構(gòu)異常，且排除母體存在宮內(nèi)感染及其他影響胎兒生長發(fā)育的疾病。任婧雅等[13]以Matlab及SPM軟件對經(jīng)預(yù)處理后的圖像進(jìn)行高分辨率重建，應(yīng)用ITK-Snap軟件分割勾畫60胎顱腦MRI，再由具有兒科影像學(xué)診斷經(jīng)驗的高年資放射科醫(yī)師核準(zhǔn)勾畫結(jié)果，對部分細(xì)微結(jié)構(gòu)加以校正，由此成功建立的CNN的戴斯相似系數(shù)(Dice similarity coefficient， DSC)>0.8 [DSC=真陽性率/(假陽性率+真陰性率)，取值為0～1，越接近1代表CNN分割準(zhǔn)確率越高]。

2.2 分割結(jié)構(gòu) CNN缺乏特定的圖像自適性及零樣本數(shù)據(jù)的通透性，在一定程度上阻礙了其臨床應(yīng)用[14]。GU等[15-16]將CNN用于提取和分割ROI連鎖操作中，同時引入圖像微調(diào)加權(quán)損失函數(shù)，使所創(chuàng)建的CNN適用于特定訓(xùn)練數(shù)據(jù)集，由此成功分割、提取出18胎胎兒大腦多個結(jié)構(gòu)。EBNER等[17]將加權(quán)損失函數(shù)與魯棒高分辨率成像相結(jié)合，成功修復(fù)胎動偽影較大的MRI并創(chuàng)建了高清3D影像，實現(xiàn)了全自動分割和重建胎兒腦MRI。全自動分割省時、省力，但仍需人工修正細(xì)微結(jié)構(gòu)；調(diào)整后再次進(jìn)行深度學(xué)習(xí)，如此反復(fù)多次可提高其精準(zhǔn)度。

建立3D高清分辨率圖像需保證原始圖像逐層絕對無偽影，解剖引導(dǎo)CNN在改善胎動偽影中具有重要作用[18]。有學(xué)者[19]運用文獻(xiàn)[17]闡述的圖像配準(zhǔn)原理，基于全U-Net算法，利用原始圖像與生成的概率圖自動迭代出大腦上、下層面信息，學(xué)習(xí)大腦局部形狀和連通性，進(jìn)而建立全自動胎兒腦提取工具，極大地促進(jìn)了腦模板的建立。大腦皮質(zhì)包含多種功能核團(tuán)，了解其生長變化有助于理解胎兒在特定時期的發(fā)育情況。皮質(zhì)板隨腦溝、腦裂發(fā)育而逐步凹陷、卷曲，無明顯規(guī)律；手動分割大腦皮質(zhì)并經(jīng)3D高分辨率重建、深度殘差CNN自主分割而獲得的胎兒三維皮質(zhì)結(jié)構(gòu)清晰，或可用于預(yù)測不同時期胎兒皮質(zhì)變化[20]。

2.3 胎兒腦發(fā)育 評估胎兒腦發(fā)育模式的指標(biāo)有二維及三維指標(biāo)，前者包括腦雙頂徑、額枕徑、胼胝體長度及厚度、頭圍及側(cè)腦室內(nèi)徑等，后者包括顱腔內(nèi)體積、腦總體積及腦脊液體積等[21]。關(guān)注上述指標(biāo)與孕周的相關(guān)性，通過線性回歸方程可實現(xiàn)由定性評估胎兒顱腦發(fā)育向定量轉(zhuǎn)變[22]；進(jìn)一步迭代加權(quán)可創(chuàng)建對應(yīng)孕周的胎兒腦MRI模型[23]，對早期評估胎兒生長發(fā)育障礙具有重要指導(dǎo)作用。CIGNINI等[24]基于16 975胎19～37周胎兒聲像圖建立胼胝體長度與孕周的回歸方程，MRI測量結(jié)果與該方程結(jié)果差值僅1～2 mm。AVISDRIS等[25]利用各向異質(zhì)性3D U-Net分類器，以CNN選擇參考層面，自動計算胎兒腦雙頂徑，可有效避免人工測量的誤差。HONG等[26]證實，胎兒皮質(zhì)體積與孕周明顯相關(guān)。將胎兒顱腦分為小腦、基底節(jié)區(qū)和丘腦、腦室腦脊液、灰質(zhì)、白質(zhì)、腦干及腦實質(zhì)外腦脊液共7個部分，利用隨機(jī)偏移和方向的線性梯度訓(xùn)練數(shù)據(jù)，以不同顏色標(biāo)記相應(yīng)結(jié)構(gòu)并進(jìn)行勾畫及分割，可逐步獲取各部分體積及相應(yīng)測值，進(jìn)而定量評估胎兒腦發(fā)育模式[27-28]。

LI等[23]利用CNN自動分割方法，基于212胎數(shù)據(jù)建立孕中晚期胎兒正常發(fā)育4D圖譜，即隨孕周增加，于軸位、冠狀位、矢狀位3個方向顯示MRI變化，并通過3D高分辨率重建圖像準(zhǔn)確顯示不同孕周之間局部結(jié)構(gòu)的變化。CNN已成功用于成人彌散加權(quán)成像(diffusion weighted imaging， DWI)。根據(jù)類似原理，KARIMI等[29]利用高質(zhì)量胎兒DWI及對應(yīng)色彩空間異質(zhì)性圖作為訓(xùn)練數(shù)據(jù)創(chuàng)建CNN，再以加權(quán)線性最小二乘法進(jìn)行評估，成功生成了胎兒白質(zhì)纖維束空間分布圖。也有學(xué)者[30]基于CNN利用功能MRI研究大腦網(wǎng)絡(luò)結(jié)構(gòu)最初可能的組成形式和方式，以期為神經(jīng)系統(tǒng)起源提供新的依據(jù)。無監(jiān)督深度學(xué)習(xí)動態(tài)MRI算法也已引入胎兒腦分割領(lǐng)域，該算法既不需要提前訓(xùn)練也無需額外數(shù)據(jù)，可通過平面低維圖像映射空間網(wǎng)絡(luò)，經(jīng)過三維轉(zhuǎn)換產(chǎn)生一系列動態(tài)MRI[31]。胎兒大腦生長發(fā)育是一個動態(tài)過程，利用此方法研究相應(yīng)動態(tài)圖譜模板，可作為評估胎兒腦發(fā)育的重要補充。

3 小結(jié)與展望

盡管CNN算法顯示胎兒腦發(fā)育MRI取得了一定成果，但仍有局限性亟待改善和優(yōu)化：①受地域差異影響，胎兒腦生長發(fā)育情況有所不同，對此需予以充分考慮，以保證分割胎兒腦結(jié)構(gòu)的準(zhǔn)確性，尤其對于孕20～23周胎兒，需在現(xiàn)有分割模板基礎(chǔ)上熟練掌握胎兒腦發(fā)生發(fā)展情況；②對于選擇CNN算法與各算法所需訓(xùn)練樣本量尚無金標(biāo)準(zhǔn)；③CNN的準(zhǔn)確性建立在精準(zhǔn)人工勾畫及反復(fù)深度學(xué)習(xí)之上，其穩(wěn)定性有待提升；④相比其他非醫(yī)學(xué)領(lǐng)域任務(wù)，深度學(xué)習(xí)的臨床應(yīng)用需要極好的魯棒性，才能最終用于患者。

綜上，基于胎兒腦MR圖像的CNN技術(shù)用于研究胎兒腦發(fā)育規(guī)律具有可行性并已取得初步成績，此類算法能夠以圖像信息可視化理解胎兒腦結(jié)構(gòu)及生長發(fā)育規(guī)律。但CNN用于胎兒領(lǐng)域目前尚處于起步階段，未來以多樣算法作為基礎(chǔ)，納入更多功能MR序列進(jìn)行研究，將為觀察胎兒大腦發(fā)育模式、探索人類大腦起源提供重要幫助。