計(jì)算機(jī)輔助診斷檢測(cè)顱內(nèi)動(dòng)脈瘤進(jìn)展

何佳倩，安興偉*，任賀成，黃 楹，明 東，3

(1.天津大學(xué)醫(yī)學(xué)工程與轉(zhuǎn)化醫(yī)學(xué)研究院，3.精密儀器與光電子工程學(xué)院，天津 300072；2.天津市環(huán)湖醫(yī)院神經(jīng)外科，天津 300350)

顱內(nèi)動(dòng)脈瘤(intracranial aneurysm，IA)指腦動(dòng)脈局部異常擴(kuò)張導(dǎo)致動(dòng)脈壁出現(xiàn)瘤狀突起，通常發(fā)生于威利斯環(huán)(Willis circle)動(dòng)脈分叉處[1]。臨床80%～90%的自發(fā)性蛛網(wǎng)膜下腔出血系由IA破裂引發(fā)[2]，盡早檢出、監(jiān)測(cè)IA及評(píng)估其破裂風(fēng)險(xiǎn)對(duì)臨床干預(yù)具有重要意義。影像學(xué)評(píng)估IA方法包括數(shù)字減影血管造影(digital subtraction angiography，DSA)、CT血管成像(CT angiography，CTA)及MR血管成像(MR angiography，MRA)等。DSA是檢測(cè)動(dòng)脈瘤的金標(biāo)準(zhǔn)，但為侵入性檢查，且可能出現(xiàn)碘對(duì)比劑過(guò)敏等[3-4]。CTA和MRA為無(wú)創(chuàng)成像技術(shù)，但對(duì)微小動(dòng)脈瘤的檢出率較低，且描繪動(dòng)脈瘤形態(tài)特征的能力相對(duì)較弱[5-6]。近年來(lái)，以基于深度學(xué)習(xí)(deep learning,DL)的計(jì)算機(jī)輔助診斷(computer aided diagnosis，CAD)檢測(cè)動(dòng)脈瘤逐漸成為研究熱點(diǎn)，通過(guò)智能化學(xué)習(xí)、處理圖像特征模式，CAD在提高診斷IA準(zhǔn)確率、降低假陽(yáng)性等方面均顯示出巨大潛力，可使醫(yī)學(xué)診斷結(jié)果更加客觀、準(zhǔn)確，同時(shí)有助于減輕臨床醫(yī)師工作負(fù)擔(dān)[7]。本文就CAD用于識(shí)別IA、檢測(cè)目標(biāo)與分割病灶相關(guān)進(jìn)展進(jìn)行綜述，分析其所面臨的挑戰(zhàn)，并對(duì)未來(lái)研究方向進(jìn)行展望。

1 CAD用于檢測(cè)IA

1.1 分類(lèi)任務(wù) 基于分類(lèi)任務(wù)檢測(cè)IA包括2個(gè)過(guò)程，首先需獲得病灶候選區(qū)，之后使用DL網(wǎng)絡(luò)判斷該區(qū)域是否包含病灶。既往研究主要基于IA的形態(tài)特征構(gòu)建深度網(wǎng)絡(luò)而實(shí)現(xiàn)病灶分類(lèi)，如UEDA等[8]利用基于腦動(dòng)脈的曲率特征，于時(shí)間飛躍法MRA中提取包括瘤體、漏斗狀擴(kuò)張、血管分叉及血管狹窄在內(nèi)的數(shù)百種動(dòng)脈異常表現(xiàn)作為候選目標(biāo)，再以ResNet-18分類(lèi)算法對(duì)其是否為IA進(jìn)行分類(lèi)。醫(yī)師應(yīng)用該算法進(jìn)行二次評(píng)估，可使IA檢出率相比初始報(bào)告提高4.8%～13%。由于成像角度，IA與血管重疊特征相似。為此ZENG等[9]應(yīng)用空間信息融合策略檢測(cè)三維旋轉(zhuǎn)血管造影圖像所示IA，通過(guò)串聯(lián)每個(gè)成像時(shí)間序列的特定連續(xù)幀圖像而嵌入空間信息，并基于遷移學(xué)習(xí)策略以經(jīng)典分類(lèi)網(wǎng)絡(luò)VGG16對(duì)其進(jìn)行分類(lèi)，由此有效改善檢測(cè)單幅圖像的精度，可使識(shí)別IA的準(zhǔn)確率達(dá)98.89%。

1.2 檢測(cè)目標(biāo)任務(wù) 檢測(cè)目標(biāo)任務(wù)指根據(jù)算法預(yù)測(cè)圖像中包含IA的最小區(qū)域，可直接識(shí)別和定位IA。隨著DL技術(shù)在目標(biāo)檢測(cè)領(lǐng)域的應(yīng)用，目前提出的檢測(cè)算法可分為單階段檢測(cè)算法及兩階段檢測(cè)算法[10]，前者能直接預(yù)測(cè)目標(biāo)類(lèi)別和邊框坐標(biāo)，后者指在檢測(cè)過(guò)程中首先生成樣本候選區(qū)域框，再進(jìn)行樣本分類(lèi)與調(diào)整候選框坐標(biāo)，其檢測(cè)準(zhǔn)確率高于前者，故在醫(yī)學(xué)圖像檢測(cè)中應(yīng)用更為廣泛。2016年REN等[11]提出Faster區(qū)域建議卷積神經(jīng)網(wǎng)絡(luò)(region-proposal convolutional neural network，R-CNN)目標(biāo)檢測(cè)算法，通過(guò)區(qū)域生成網(wǎng)絡(luò)生成候選區(qū)，以提高檢測(cè)目標(biāo)速度；此后該方法多用于檢測(cè)動(dòng)脈瘤。DAI等[12]使用Faster R-CNN作為自動(dòng)檢測(cè)IA工具，利用來(lái)自3D CTA的2D鄰近投影圖像作為輸入，其檢測(cè)IA的敏感度為91.8%；但該方法需以復(fù)雜的預(yù)處理步驟生成2D影像數(shù)據(jù)，且未考慮動(dòng)脈瘤的3D空間特征。為綜合利用3D影像信息，DUAN等[13]將基于雙路徑結(jié)構(gòu)的3D Faster R-CNN模型用于檢測(cè)和定位3D CTA所示IA，并使用3D多尺度卷積神經(jīng)網(wǎng)絡(luò)以減少檢測(cè)算法得到的假陽(yáng)性區(qū)域；利用該算法對(duì)550例全腦CTA數(shù)據(jù)進(jìn)行訓(xùn)練并測(cè)試，其檢測(cè)敏感度為93.3%。

1.3 分割任務(wù) 分割任務(wù)即對(duì)造影圖像進(jìn)行逐像素分類(lèi)，以標(biāo)記像素級(jí)別的病灶，可直接提供所預(yù)測(cè)IA的精確位置，有利于后續(xù)形態(tài)學(xué)分析；常以包括編碼器、解碼器結(jié)構(gòu)及允許高效信息流傳輸?shù)奶S連接方式的U-Net模型作為分割架構(gòu)，后者在醫(yī)學(xué)圖像分割任務(wù)中表現(xiàn)出良好性能[14]。較早的分割方法研究多基于2D網(wǎng)絡(luò)，如STEMBER等[15]基于MRA二維最大密度投影構(gòu)建檢測(cè)和測(cè)量IA的U-Net模型，以初步探索基于DL的人工智能方法用于預(yù)測(cè)動(dòng)脈瘤大小的前景。JIN等[3]則更關(guān)注DSA的時(shí)間和空間信息，在U形網(wǎng)絡(luò)中引入雙向卷積長(zhǎng)短期記憶模塊，以模擬醫(yī)師閱片過(guò)程，解決基于二維DSA圖像檢測(cè)和分割未破裂IA的問(wèn)題，其檢測(cè)敏感度為89.27%(316/354)，每個(gè)序列計(jì)算時(shí)間<1 s。

與2D網(wǎng)絡(luò)相比，利用3D網(wǎng)絡(luò)模型能直接輸入3D圖像，學(xué)習(xí)病灶的3D特征信息。PARK等[16]采用HeadXNet網(wǎng)絡(luò)分割CTA所示IA，該網(wǎng)絡(luò)在3D U-Net基礎(chǔ)上引入了擠壓-激勵(lì)模塊、殘差模塊及空洞空間金字塔池化模塊，以增強(qiáng)提取特征能力；應(yīng)用該模型后，擁有不同經(jīng)驗(yàn)的臨床醫(yī)師檢測(cè)IA能力均有所提高，檢測(cè)敏感度由83.1%提升至89.0%，特異度由96.0%提升至97.5%，準(zhǔn)確率由89.3%提升至93.2%。SHI等[17]訓(xùn)練帶有空間、通道雙注意力模塊和殘差結(jié)構(gòu)的3D U-Net分割模型，其訓(xùn)練過(guò)程穩(wěn)定，并可使模型學(xué)習(xí)到可靠的特征。受限于計(jì)算能力，上述2項(xiàng)研究均以局部3D圖像作為模型的輸入項(xiàng)，卻無(wú)法直接處理患者完整的3D圖像，仍存在損失病灶全局信息的不足。BO等[18]采用全局結(jié)構(gòu)信息策略構(gòu)建用于獲取IA在整個(gè)圖像中概率分布的全局定位網(wǎng)絡(luò)和獲取局部圖像塊IA體素分割結(jié)果的局部分割網(wǎng)絡(luò)，以全局定位特征為指導(dǎo)，協(xié)助訓(xùn)練分割網(wǎng)絡(luò)，可無(wú)需預(yù)處理而直接分析、處理包含頸部、心臟區(qū)域的腦部CTA，更適用于臨床實(shí)踐，可使醫(yī)師檢測(cè)IA的敏感度提高約12.5%～22.9%，診斷時(shí)間縮短約7～24 s。

2 問(wèn)題與挑戰(zhàn)

2.1 與IA解剖結(jié)構(gòu)相關(guān) IA瘤體本身在腦血管造影圖像中占據(jù)的比例極小，模型往往難以自復(fù)雜的背景中準(zhǔn)確識(shí)別病灶區(qū)域，導(dǎo)致檢測(cè)能力較差[19]。血管重疊與IA表現(xiàn)相似，特別是小的IA[1]，造成CAD檢測(cè)IA的假陽(yáng)性率較高。通過(guò)調(diào)整成像角度可在一定程度上減輕血管重疊帶來(lái)的影響，但如何使CAD學(xué)習(xí)到不同的時(shí)空特征以區(qū)分IA與血管重疊是亟待解決的問(wèn)題。

2.2 特殊類(lèi)型IA 現(xiàn)有研究多基于囊狀I(lǐng)A進(jìn)行分析，而針對(duì)特殊類(lèi)型IA，如梭形動(dòng)脈瘤和夾層動(dòng)脈瘤等的研究較少。YANG等[20]的內(nèi)部驗(yàn)證結(jié)果顯示，以CAD檢測(cè)囊狀及梭形IA的敏感度分別為97.60%(611/626)和95.65%(22/23)，但該研究中梭形IA樣本量過(guò)小，且未具體給出外部驗(yàn)證結(jié)果，仍有待進(jìn)一步驗(yàn)證。

2.3 樣本量 相比自然圖像數(shù)據(jù)，醫(yī)學(xué)影像數(shù)據(jù)存在獲取困難、標(biāo)注成本高及醫(yī)學(xué)倫理等問(wèn)題。目前將CAD用于IA的研究所納入的訓(xùn)練集和驗(yàn)證集樣本量均較小，且通常來(lái)自單一機(jī)構(gòu)，導(dǎo)致算法的穩(wěn)定性和魯棒性較差。

2.4 數(shù)據(jù)標(biāo)注 獲取大量逐像素標(biāo)注的樣本十分耗時(shí)、費(fèi)力，精準(zhǔn)標(biāo)注大批量數(shù)據(jù)是分割任務(wù)的重要挑戰(zhàn)之一。DI NOTO等[21]使用更易獲取標(biāo)注信息的弱監(jiān)督分割方法，將弱標(biāo)簽(即粗糙、不精確注釋的標(biāo)簽)用于動(dòng)脈瘤分割任務(wù)，利用動(dòng)脈瘤位置先驗(yàn)信息構(gòu)建3D U-Net分割模型，其檢測(cè)測(cè)試集IA的敏感度為83%。雖然相比強(qiáng)監(jiān)督，弱監(jiān)督模型的性能未能達(dá)到預(yù)期水平，但可降低標(biāo)注成本，有助于縮短整體研究進(jìn)程。有關(guān)如何平衡檢測(cè)性能與效率有待進(jìn)一步研究。

3 小結(jié)與展望

經(jīng)由分類(lèi)任務(wù)、檢測(cè)目標(biāo)任務(wù)及分割任務(wù)均可實(shí)現(xiàn)識(shí)別、檢測(cè)IA，對(duì)于降低漏診率、縮短診斷時(shí)間具有重要價(jià)值。分類(lèi)任務(wù)主要基于判定2D圖像中的異常結(jié)構(gòu)，通常無(wú)法直接獲取病灶區(qū)域的精確位置；檢測(cè)目標(biāo)任務(wù)旨在直接識(shí)別并大致定位圖像中病灶所在區(qū)域，以實(shí)現(xiàn)快速定位IA；分割任務(wù)可實(shí)現(xiàn)在像素級(jí)水平定位IA空間位置和預(yù)測(cè)其形態(tài)，是IA形態(tài)學(xué)分析及預(yù)測(cè)瘤體破裂風(fēng)險(xiǎn)的先決條件。

未來(lái)CAD檢測(cè)IA研究將集中于以下方面：①自動(dòng)分析動(dòng)脈瘤形態(tài)學(xué)和計(jì)算血流動(dòng)力學(xué)，并基于此預(yù)測(cè)動(dòng)脈瘤破裂風(fēng)險(xiǎn)，完善診斷IA一體化流程，為醫(yī)師直觀展現(xiàn)IA發(fā)生發(fā)展進(jìn)程，這對(duì)于擬定未破裂動(dòng)脈瘤的治療決策具有積極意義；②融合分析多模態(tài)影像學(xué)數(shù)據(jù)，以更有效地學(xué)習(xí)和利用圖像特征，提升診斷IA性能；③多中心前瞻性驗(yàn)證，評(píng)估CAD臨床實(shí)際效能，推進(jìn)其在臨床環(huán)境中的進(jìn)一步應(yīng)用。此外，一個(gè)成功的IA CAD檢測(cè)系統(tǒng)必須完全可靠地識(shí)別真陽(yáng)性病例，研究人員應(yīng)在充分考慮IA復(fù)雜解剖結(jié)構(gòu)的基礎(chǔ)上，使用更先進(jìn)的算法解決當(dāng)前存在的問(wèn)題。