基于深度學(xué)習(xí)的腦血管分割方法研究

聞 亮，孫 暉，鄒 正，梁國(guó)標(biāo)*

（1.北部戰(zhàn)區(qū)總醫(yī)院神經(jīng)外科，沈陽(yáng) 110840；2.中國(guó)醫(yī)科大學(xué)，沈陽(yáng) 110122；3.東北大學(xué)信息科學(xué)與工程學(xué)院，沈陽(yáng) 110819）

0 引言

大腦是人類身體中最重要的器官，腦血管作為大腦的主要供血器官，影響大腦的新陳代謝和腦細(xì)胞的供養(yǎng)，因此對(duì)人體健康的重要性不言而喻。腦血管疾病泛指腦血管的各種疾病，包括腦動(dòng)脈損傷、血管瘤、腦血栓等，是由于不同部位的腦血管病理變化引起大腦血液循環(huán)障礙，從而形成疾病。其致死率、致殘率遠(yuǎn)高于癌癥，發(fā)病率占神經(jīng)系統(tǒng)住院總例數(shù)的1/4～1/2[1]。腦血管疾病已經(jīng)成為威脅我國(guó)人民健康的常見(jiàn)病，其在各個(gè)年齡段均可發(fā)病，近年來(lái)的發(fā)病率隨年齡的增加不斷增高[2]。腦血管狀態(tài)是預(yù)防和治療腦血管疾病的一個(gè)極具潛力的生物標(biāo)志物[3]。因此，掌握腦部血管的結(jié)構(gòu)對(duì)于患者的健康狀態(tài)判斷及后續(xù)治療具有很大的幫助。

在過(guò)去的幾十年中，腦血管分割主要基于活動(dòng)輪廓模型[4]、閾值化分割、參數(shù)統(tǒng)計(jì)等傳統(tǒng)分割方法[5]。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和計(jì)算機(jī)硬件水平的提高，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等人工智能技術(shù)逐漸用于醫(yī)學(xué)影像學(xué)領(lǐng)域[6]，尤其是在醫(yī)學(xué)圖像的臟器分割任務(wù)中取得了不錯(cuò)的效果。在腦血管分割領(lǐng)域出現(xiàn)了許多新的方法，如基于U-Net 的方法分割磁共振時(shí)間飛行全影像（time-of-flight magnetic resonance angiography，TOF-MRA）中的腦血管[7]，基于3D U-Net 的方法分割腦部TOF-MRA 圖像中的小血管[8]，基于全局通道注意力網(wǎng)絡(luò)（global channel attention networks，GCA-Net）的方法[9]提取微小血管、改善分割效果等。上述方法都是對(duì)磁共振血管造影（magnetic resonance angiography，MRA）圖像進(jìn)行分割，使用2D 的神經(jīng)網(wǎng)絡(luò)容易遺落三維圖像上下文的空間信息，而使用3D 的神經(jīng)網(wǎng)絡(luò)所需消耗的計(jì)算資源十分巨大，且模型的推理速度較為緩慢。同時(shí)由于腦血管圖像存在部分血管特征微小、血管重疊、顏色對(duì)比不明顯等特點(diǎn)[10]，腦血管的分割一直是研究的重點(diǎn)和難點(diǎn)。

針對(duì)以上問(wèn)題，本文基于深度學(xué)習(xí)方法提出一種腦血管分割模型（brain vessel segmentation model，BVSM），采用生成式對(duì)抗網(wǎng)絡(luò)（generative adversarial networks，GAN）[11]的思想設(shè)計(jì)多尺度的分割圖像生成器與判別器，生成器處理腦部MRA 圖像進(jìn)行腦血管分割，判別器網(wǎng)絡(luò)用于判斷生成器網(wǎng)絡(luò)的分割結(jié)果與專家手工標(biāo)注分割結(jié)果的差距，迫使生成器網(wǎng)絡(luò)不斷朝著手工標(biāo)注的分割結(jié)果的方向優(yōu)化，提高腦血管分割的精度。

1 腦血管分割方法建模

本文的基本框架是基于深度學(xué)習(xí)的BVSM，其具體結(jié)構(gòu)如圖1、2 所示。該模型基于RVGAN（retinal vascular generative adversarial network）[12]采用多生成器和判別器的結(jié)構(gòu)，加入3D 卷積模塊，引入注意力機(jī)制實(shí)現(xiàn)腦血管圖像的精確分割。其中生成器可以基于輸入的MRA 腦部圖像生成腦血管的分割結(jié)果，判別器可以判斷真實(shí)的標(biāo)簽圖像與生成器生成的分割圖像并優(yōu)化生成器生成更逼真的分割圖像。該模型基于MIDAS 數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)獲得最優(yōu)解，并通過(guò)Dice 系數(shù)、精確率、敏感度及AUC 來(lái)評(píng)估模型的分割效果。

圖1 基于深度學(xué)習(xí)的BVSM 結(jié)構(gòu)圖

1.1 網(wǎng)絡(luò)模型構(gòu)建

GAN 網(wǎng)絡(luò)中生成器與判別器扮演了2 個(gè)競(jìng)爭(zhēng)者的角色，在極小極大值之間進(jìn)行博弈。BVSM 采用雙生成器和雙判別器的結(jié)構(gòu)來(lái)提高網(wǎng)絡(luò)訓(xùn)練過(guò)程中的穩(wěn)定性和捕獲多尺度的圖像特征。

1.1.1 生成器網(wǎng)絡(luò)模型構(gòu)建

生成器部分包含粗糙生成器（coarse generator，Gc）、精細(xì)生成器（fine generator，Gf）2 個(gè)模型，其中Gc的輸入圖像大小是輸入Gf的圖像大小的一半，Gc負(fù)責(zé)提取粗略的全局特征信息，Gf負(fù)責(zé)提取微小血管的特征信息，最終二者融合生成高質(zhì)量的分割圖像。為了能夠有效利用相鄰切片的特征上下文信息，設(shè)計(jì)一個(gè)3D 卷積的特征融合模塊，包括連續(xù)的3D 卷積層、批量歸一化層和LeakyReLU 激活函數(shù)層。其中卷積核大小為3×7×7，個(gè)數(shù)為32，填充為0×1×1，步長(zhǎng)為1。5 張相鄰切片通過(guò)融合模塊生成特征圖，經(jīng)過(guò)在深度這一維度上減為1 的處理去除深度維度。然后使用2D 卷積網(wǎng)絡(luò)進(jìn)行深層次特征提取，其包括多層的下采樣模塊、殘差模塊和上采樣模塊，具體結(jié)構(gòu)如圖2 所示。下采樣模塊有效提取腦部血管的特征信息，殘差模塊負(fù)責(zé)保留網(wǎng)絡(luò)中有效的空間和深度信息，并緩解網(wǎng)絡(luò)訓(xùn)練過(guò)程中梯度消失或爆炸的問(wèn)題，提高模型的收斂性。同時(shí)加入CBAM（convolutional block attention module）[13]來(lái)聚合特征映射的通道信息和空間信息，其中使用1×1 卷積代替全連接層，使用LeakyReLU 函數(shù)代替原來(lái)的ReLU激活函數(shù)，一定程度上緩解了梯度消失的問(wèn)題。之后，特征圖經(jīng)過(guò)上采樣模塊可以還原下采樣得到的有效信息。最后通過(guò)一層卷積層和Tanh 激活函數(shù)輸出中間切片的分割結(jié)果。

圖2 BVSM 模型各模塊結(jié)構(gòu)圖

1.1.2 判別器網(wǎng)絡(luò)模型構(gòu)建

精細(xì)判別器（fine discriminator，Df）與粗糙判別器（coarse discriminator，Dc）分別判斷Gf、Gc生成的圖像與真實(shí)標(biāo)簽的差異。判別器采用類似U-Net 的結(jié)構(gòu)設(shè)計(jì)，其輸入圖像是MRA 腦血管圖像和標(biāo)簽圖像。將輸入圖像在通道維度上進(jìn)行堆疊，隨后經(jīng)過(guò)三次下采樣模塊、殘差模塊及上采樣模塊的處理，提取特征并生成最終的分類結(jié)果。然而連續(xù)的上采樣和下采樣會(huì)丟失基本的空間特征信息，為了充分利用下采樣提取的特征信息又不過(guò)分增加網(wǎng)絡(luò)的計(jì)算量，引入CA（Coordinate Attention）模塊[14]，生成的注意力特征不僅捕獲通道信息，還捕獲空間坐標(biāo)信息，并在上采樣時(shí)進(jìn)行跳躍連接，使得信息提取得更充分，最后通過(guò)一層卷積層和Tanh 激活函數(shù)輸出分類結(jié)果。模型訓(xùn)練過(guò)程中，通過(guò)Tanh 函數(shù)將真實(shí)標(biāo)簽映射到1，將生成的預(yù)測(cè)標(biāo)簽映射到-1。

1.2 數(shù)據(jù)集的選擇及預(yù)處理

公開(kāi)數(shù)據(jù)集MIDAS[15]由100 名健康受試者的腦部掃描圖像組成，均在3T MRI 上按標(biāo)準(zhǔn)化方案采集圖像。本文中選用以0.5 mm×0.5 mm×0.5 mm 分辨力采集的TOF-MRA 掃描子集，其包含109 個(gè)樣本，樣本的維度是448×448×128。由于該數(shù)據(jù)集并未提供腦血管的標(biāo)記，本文采用德國(guó)機(jī)構(gòu)在其一項(xiàng)研究成果BRAVE-NET[16]提供的20 個(gè)標(biāo)注樣本數(shù)據(jù)進(jìn)行模型的訓(xùn)練和驗(yàn)證。

本文提出的BVSM 模型主要使用2D 卷積神經(jīng)網(wǎng)絡(luò)，因?yàn)橹苯踊?D MRA 圖像進(jìn)行分割對(duì)算力需求較高，因此為了降低計(jì)算量并提高處理速度，首先將3D MRA 數(shù)據(jù)進(jìn)行了圖像預(yù)處理，轉(zhuǎn)變?yōu)?D 數(shù)據(jù)。在對(duì)圖像預(yù)處理的過(guò)程中對(duì)訓(xùn)練的數(shù)據(jù)集通過(guò)幾何變換（角度旋轉(zhuǎn)、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)）來(lái)實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，提高模型的泛化性。因此，首先需要對(duì)3D 的MRA 圖像進(jìn)行預(yù)處理從而提高圖像的分割效果[17]，具體分為3 個(gè)步驟：（1）對(duì)MRA 數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化；（2）切割腦部掃描圖像數(shù)據(jù)集和真實(shí)標(biāo)簽（ground truth，GT）數(shù)據(jù)集；（3）將數(shù)據(jù)切割成多張切片，并保存為Numpy 數(shù)組。

為了促進(jìn)模型的收斂，對(duì)樣本的圖像數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化到[-1，1]，以Z軸為切片方向進(jìn)行切片。每張切片都是單通道的圖像，維度為1×448×448。

輸入判別器的數(shù)據(jù)是腦部掃描圖像與分割標(biāo)簽圖像在通道維度上的疊加，而輸入生成器的數(shù)據(jù)則是5 張相鄰切片在深度維度上的疊加?？紤]到樣本圖像兩端的切片缺少一側(cè)相鄰的切片，又因?yàn)橄噜徢衅奶卣飨嗨菩?，所以采用鏡像填充的方式在樣本兩端各補(bǔ)齊2 張切片，如圖3 所示。

圖3 圖像預(yù)處理操作

對(duì)數(shù)據(jù)集的MRA圖像切片處理后的效果如圖4 所示。為緩解類別不平衡的問(wèn)題，以50%的概率舍棄無(wú)標(biāo)簽圖像，因此輸入生成器Gf的數(shù)據(jù)維度為1×5×448×448（通道×深度×高度×寬度），而輸入生成器Gc的圖像維度為1×5×224×224。

圖4 MRA 數(shù)據(jù)切片處理的效果

1.3 損失函數(shù)設(shè)計(jì)

為了網(wǎng)絡(luò)的對(duì)抗式訓(xùn)練，采用折頁(yè)損失Hinge Loss[18]對(duì)網(wǎng)絡(luò)中的生成器與判別器進(jìn)行訓(xùn)練，并對(duì)生成器損失賦以權(quán)重，損失函數(shù)如下：

式中，E（·）表示期望；G表示生成器；D表示判別器；xstack為5 張堆疊的真實(shí)MRA 圖像切片，x為堆疊切片中間的一張切片；y為真實(shí)的分割標(biāo)簽；G（x）為預(yù)測(cè)生成的分割標(biāo)簽，是生成器損失的權(quán)重系數(shù)。

因?yàn)樯婕暗窖芎捅尘暗闹鹣袼胤指睿刖终`差（mean squared error，MSE）損失Loss 來(lái)匹配生成圖像與真實(shí)圖像的分布優(yōu)化生成網(wǎng)絡(luò)，同時(shí)調(diào)整鑒別器中編碼器與解碼器損失的權(quán)重來(lái)達(dá)到更好的網(wǎng)絡(luò)效果，合成更真實(shí)、微小的血管結(jié)構(gòu)。其損失函數(shù)如下：

式中，表示第i層編碼器的損失表示第i層解碼器的損失表示特征的數(shù)量；權(quán)值p介于0 與1 之間。本研究賦予解碼器部分更高的權(quán)重訓(xùn)練網(wǎng)絡(luò)，并通過(guò)真實(shí)的分割標(biāo)簽y與合成的分割標(biāo)簽G（x）計(jì)算各個(gè)編碼器與解碼器層的損失。

結(jié)合上述各種損失，賦予生成器、判別器損失對(duì)應(yīng)的權(quán)重m、n進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最終的損失函數(shù)設(shè)計(jì)如下：在整個(gè)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，首先使用真實(shí)的MRA圖像切片x與真實(shí)的分割標(biāo)簽y訓(xùn)練判別器，之后使用堆疊的MRA 圖像切片xstack訓(xùn)練生成器并合成分割標(biāo)簽，與x一起訓(xùn)練判別器，并進(jìn)行多次迭代。隨后凍結(jié)判別器的參數(shù)，進(jìn)行多次迭代訓(xùn)練生成器。該模型最終的損失函數(shù)如下：

1.4 訓(xùn)練結(jié)果及模型評(píng)估標(biāo)準(zhǔn)

本文基于RTX3090 顯卡，使用Linux 系統(tǒng)Ubuntn20.04，配合深度學(xué)習(xí)框架Pytorch1.11 及Conda環(huán)境管理系統(tǒng)進(jìn)行模型訓(xùn)練。使用數(shù)據(jù)集MIDAS 中的20 名人員的腦部掃描圖像MRA 模態(tài)樣本，根據(jù)樣本數(shù)量按照70%訓(xùn)練、20%驗(yàn)證、10%測(cè)試的比例劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集，對(duì)各子集的樣本進(jìn)行數(shù)據(jù)預(yù)處理后得到1 813 條訓(xùn)練數(shù)據(jù)、507 條驗(yàn)證數(shù)據(jù)、251 條測(cè)試數(shù)據(jù)。然后進(jìn)入Conda 環(huán)境管理系統(tǒng)，設(shè)置歷元、學(xué)習(xí)速率等參數(shù)，并使用Adam 優(yōu)化算法[19]減少內(nèi)存占用。設(shè)置批量大小為4，生成器學(xué)習(xí)率為0.000 2，判別器學(xué)習(xí)率為0.000 3。學(xué)習(xí)率衰減策略為指數(shù)衰減，衰減率設(shè)置為0.99，衰減步長(zhǎng)設(shè)置為150。整個(gè)模型的訓(xùn)練輪數(shù)設(shè)置為100，損失函數(shù)中的參數(shù)λ 設(shè)置為10，p為0.4，m、n均設(shè)置為10。為緩解生成器網(wǎng)絡(luò)梯度消失的問(wèn)題，在訓(xùn)練判別器網(wǎng)絡(luò)時(shí)對(duì)真實(shí)樣本與生成樣本的標(biāo)簽進(jìn)行平滑處理，加入一定的隨機(jī)噪聲。

因?yàn)門(mén)OF-MRA 掃描的腦血管分割任務(wù)中類別高度不平衡，平均≤5%的掃描體素包含血管，本研究使用Dice 系數(shù)、敏感度、精確率、AUC 4 個(gè)指標(biāo)對(duì)模型進(jìn)行評(píng)估。

Dice 系數(shù)計(jì)算2 個(gè)分割區(qū)域的真實(shí)正樣本的相似度，即預(yù)測(cè)區(qū)域中有多少像素區(qū)域是正確預(yù)測(cè)的，計(jì)算公式如下：

式中，P 表示預(yù)測(cè)分割圖像的像素集合；T 表示真實(shí)值GT 分割圖像的像素集合。

敏感度Sen 代表實(shí)際陽(yáng)性樣本率，即預(yù)測(cè)為血管區(qū)域的陽(yáng)性樣本數(shù)據(jù)與實(shí)際分割結(jié)果為陽(yáng)性樣本的數(shù)據(jù)之比，計(jì)算公式如下：

精確率Pre 用于衡量模型在預(yù)測(cè)為正類別的樣本中有多少是真正的正類別樣本，計(jì)算公式如下：

式中，TP 為真陽(yáng)性的數(shù)據(jù)，即預(yù)測(cè)結(jié)果與真實(shí)值均為正樣本的數(shù)據(jù)；FP 為假陽(yáng)性的數(shù)據(jù)，即預(yù)測(cè)結(jié)果為正樣本而真實(shí)值為負(fù)樣本的數(shù)據(jù)。

AUC 用于評(píng)估模型針對(duì)血管區(qū)域的陽(yáng)性、陰性樣本的分類效果，根據(jù)不同閾值確定樣本個(gè)數(shù)并計(jì)算TPR 和FPR。其中TPR 表示陽(yáng)性樣本被預(yù)測(cè)為1的概率，F(xiàn)PR 表示陰性樣本被預(yù)測(cè)為1 的概率。以FPR 為橫坐標(biāo)、TPR 為縱坐標(biāo)繪制ROC 曲線。AUC越接近1，證明模型的分類效果越好。TPR 和FPR 的計(jì)算公式如下：

式中，TN 為真陰性數(shù)據(jù)，即預(yù)測(cè)結(jié)果與真實(shí)值均為負(fù)樣本的數(shù)據(jù)；FN 為假陰性數(shù)據(jù)，即預(yù)測(cè)結(jié)果為負(fù)樣本而真實(shí)值為正樣本的數(shù)據(jù)。

基于上述判斷依據(jù)，通過(guò)比較自動(dòng)分割的血管區(qū)域與真實(shí)值手動(dòng)分割的區(qū)域之間的重疊比例評(píng)估模型的性能。

2 結(jié)果

為了驗(yàn)證本文提出的BVSM 腦血管分割方法的有效性，本研究進(jìn)行了消融實(shí)驗(yàn)，使用相同的實(shí)驗(yàn)參數(shù)在MIDAS 數(shù)據(jù)集上進(jìn)行評(píng)估，并對(duì)比BVSM 與原始RVGAN 模型、單獨(dú)融入注意力模塊的RVGAN+Attention 模型、單獨(dú)融入切片特征融合（slice-level feature aggregation，SFA）模塊的RVGAN+SFA 模型的分割效果。實(shí)驗(yàn)結(jié)果見(jiàn)表1。

表1 分割效果

相對(duì)于RVGAN 模型，RVGAN+SFA 模型在模型輸入端新增切片特征融合模塊，捕獲并利用相鄰切片的特征信息進(jìn)行分割，模型整體的分割效果得到一定提高，其中Dice 系數(shù)提高了0.2%，精確率提高了0.3%，AUC 提高了0.2%。但相鄰切片的特征信息存在冗余和差異，導(dǎo)致敏感度有所下降。RVGAN+Attention模型中引入了注意力機(jī)制模塊，調(diào)整了各層編碼器提取特征的權(quán)重，增強(qiáng)了模型對(duì)邊界等特殊區(qū)域特征的表達(dá)能力，性能優(yōu)于RVGAN+SFA 模型，彌補(bǔ)了敏感度低的差距，分割精度顯著提高。相對(duì)于RVGAN模型，RVGAN+Attention 精確率提高了2.5%，Dice 提高了0.7%，AUC 提高了1.3%。而本文的BVSM 模型中同時(shí)加入了SFA 模塊和Attention 機(jī)制模塊，算法精度得到進(jìn)一步提升，分割精確率達(dá)到了88.3%，整體的血管圖像都得到了較好的分割，另外其Dice 系數(shù)為87.2%、敏感度為86.3%、AUC 為0.942，整個(gè)模型在血管分割任務(wù)中取得了不錯(cuò)的效果。

本文提出的BVSM 的腦血管分割可視化結(jié)果如圖5 所示，算法自動(dòng)分割與人工分割的結(jié)果整體輪廓重合度較好，相似度較高。但對(duì)于整體的三維信息依然存在丟失，邊緣處血管分割的結(jié)果與真實(shí)標(biāo)簽仍存在一定差距。通過(guò)該模型可以得到較準(zhǔn)確的腦血管結(jié)構(gòu)，為醫(yī)師對(duì)患者狀況的診斷和后續(xù)治療提供了依據(jù)，具有一定的應(yīng)用價(jià)值。

圖5 BVSM 分割樣本腦血管的效果

3 討論

近年來(lái)，研究人員開(kāi)始探索使用深度學(xué)習(xí)算法進(jìn)行器官分割，并取得很大進(jìn)展[20]。由于腦部血管結(jié)構(gòu)較為復(fù)雜，腦血管圖像存在血管微小、分支多、形態(tài)各異、背景對(duì)比度低等特點(diǎn)，使得對(duì)腦血管進(jìn)行準(zhǔn)確分割成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

本研究基于腦部MRA 腦血管圖像，結(jié)合深度學(xué)習(xí)的相關(guān)理論知識(shí)，設(shè)計(jì)了使用3D 卷積和2D 卷積提取特征應(yīng)用于腦血管分割的深度學(xué)習(xí)網(wǎng)絡(luò)模型BVSM，考慮到直接對(duì)MRA 圖像進(jìn)行2D 處理會(huì)存在3D 空間上下文信息丟失、而使用3D 數(shù)據(jù)會(huì)消耗大量的硬件資源的情況，基于GAN 設(shè)計(jì)了多尺度的生成器與判別器用于腦血管細(xì)節(jié)分割，各分支網(wǎng)絡(luò)使用U 型結(jié)構(gòu)。模型首先使用3D 卷積模塊融合鄰近多張切片的特征，隨后使用多層的2D 卷積結(jié)構(gòu)提取不同維度上的特征，通過(guò)引入注意力機(jī)制調(diào)整網(wǎng)絡(luò)中特征的權(quán)重，在保證整體分割精度的前提下更注意分割細(xì)節(jié)，可實(shí)現(xiàn)微小血管的分割。由于研究人員使用的數(shù)據(jù)集和對(duì)比的標(biāo)準(zhǔn)不同，很難比較不同分割方法的優(yōu)劣。但是本文選擇最廣泛的評(píng)估指標(biāo)（包括Dice 系數(shù)、精確率等），實(shí)驗(yàn)結(jié)果表明，本文提出的腦血管分割模型的準(zhǔn)確率在85%以上，可以更清楚地觀察腦血管結(jié)構(gòu)的異常，幫助醫(yī)生準(zhǔn)確判斷腦血管病變的程度，更準(zhǔn)確、有效地診斷病情，可為確定患者的后續(xù)治療方案提供可靠的依據(jù)，具有一定的理論價(jià)值和應(yīng)用前景。

本文提出的BVSM 主要還是基于2D 卷積神經(jīng)網(wǎng)絡(luò)，對(duì)于3D 的MRA 數(shù)據(jù)的處理不可避免仍然會(huì)存在部分特征信息的缺失。為進(jìn)一步提高模型的分割準(zhǔn)確率，本文使用的是5 張相鄰切片堆疊的形式，還可以考慮使用更多張的切片如7、9 張切片的形式輸入模型，在不增加網(wǎng)絡(luò)復(fù)雜度的前提下改進(jìn)切片間特征提取的網(wǎng)絡(luò)結(jié)構(gòu)，或在不降低模型精度的前提下調(diào)整為輕量級(jí)的網(wǎng)絡(luò)結(jié)構(gòu)。這些改進(jìn)有望提升模型的性能和適用性，值得進(jìn)一步研究和探索。除此之外，本文提出的網(wǎng)絡(luò)結(jié)構(gòu)處理的數(shù)據(jù)為T(mén)OF-MRA，但實(shí)際臨床使用的腦血管數(shù)據(jù)不僅限于MRA 數(shù)據(jù)，可以進(jìn)一步拓展可用的數(shù)據(jù)集，如數(shù)字減影血管造影和CT 血管造影腦血管圖像。腦部的重要組織除了血管還包含腦腫瘤和神經(jīng)纖維等，可以考慮借鑒腦血管分割算法，研究基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的腦腫瘤和腦神經(jīng)纖維的分割算法。