基于深度學(xué)習(xí)的自發(fā)性腦出血CT影像分割算法精準計算病灶體積的應(yīng)用探討

摘要

目的

探討深度學(xué)習(xí)技術(shù)在自發(fā)性腦出血CT影像分割和精準計算出血病灶體積的效果。

方法

回顧性分析天津醫(yī)科大學(xué)總醫(yī)院2016年4月至2018年4月影像及臨床診斷為自發(fā)性腦出血的1223例患者資料。分為實質(zhì)內(nèi)出血、腦室出血、蛛網(wǎng)膜下腔出血和混合型出血4種類型。采用完全隨機法將患者分為訓(xùn)練集905例、驗證集156例、測試集162例，實質(zhì)內(nèi)出血分別為498、107和100例。由醫(yī)師對出血區(qū)域進行輪廓勾勒標注，作為金標準構(gòu)建模型以評測測試集性能。采用腦卒中人工智能檢測分析系統(tǒng)構(gòu)建模型，并采用多田公式計算出血體積。在測試集中篩選97例單純實質(zhì)內(nèi)出血患者，按照實質(zhì)內(nèi)出血體積，將97例患者分為<525="">25ml組，記錄采用多田公式、模型預(yù)測的出血體積絕對和相對誤差，并記錄模型預(yù)測的Dice指數(shù)。

結(jié)果測試集162例中，深度分割模型在實質(zhì)內(nèi)出血、腦室出血、蛛網(wǎng)膜下腔出血和混合型出血的Dice指數(shù)分別為0.87、0.85、0.67和0.77。在單純實質(zhì)內(nèi)出血的97例患者中，模型計算血腫量為（29.55±37.69）ml，多田公式計算的血腫量為（24.04±31.22）ml。實質(zhì)內(nèi)出血體積<525="">25ml組，采用模型預(yù)測的出血體積絕對誤差分別為（0.52±0.54）、（1.53±1.22）、（7.93±8.49）ml，多田公式得到的出血體積絕對誤差分別為（0.68±0.60）、（3.16±2.90）、（19.31±17.23）ml。結(jié)論利用深度學(xué)習(xí)模型自動分割腦出血可以應(yīng)用于實質(zhì)內(nèi)血腫計算，誤差小于多田公式計算結(jié)果。顱腦CT掃描是顱內(nèi)出血性疾病的首要檢查方法，可以鑒別出血性卒中和缺血性卒中，判斷顱內(nèi)出血的部位、范圍與體積等信息，并通過以上信息決定后續(xù)的治療方案。近年來，深度學(xué)習(xí)技術(shù)廣泛應(yīng)用在醫(yī)學(xué)影像的圖像識別中，在糖尿病視網(wǎng)膜病變、皮膚病、肺結(jié)節(jié)、顱內(nèi)出血分類診斷等方面取得了重大進步。腦出血病灶體積的快速、精準測量是臨床影像工作的迫切需求，如何利用人工智能技術(shù)輔助臨床影像的數(shù)據(jù)處理亦是當(dāng)前研究的熱點[10]?；谏疃葘W(xué)習(xí)的影像分割技術(shù)，可以將不同屬性的像素區(qū)域分開，對圖像內(nèi)容進行精準分割[11,12]。在此基礎(chǔ)上，筆者擬利用深度分割模型對出血病灶進行分割和體積計算，并探討分割區(qū)域以及體積計算的準確性和應(yīng)用價值。資料與方法一、數(shù)據(jù)集構(gòu)建及影像醫(yī)師標記1．患者資料：回顧性分析天津醫(yī)科大學(xué)總醫(yī)院2016年4月至2018年4月符合以下標準的患者圖像。納入標準：（1）CT診斷為腦出血；（2）患者臨床診斷與影像診斷符合；（3）圖像為患者診斷顱內(nèi)出血1周內(nèi)采集。排除標準：（1）明確或可疑腦部外傷后的患者，包括腦外傷所致硬膜外出血、硬膜下出血、腦挫裂傷伴血腫、外傷性蛛網(wǎng)膜下腔出血等；（2）亞急性及慢性硬膜下出血；（3）臨床癥狀與影像學(xué)資料不符合；（4）影像質(zhì)量不佳。

1223例患者納入研究，男768例，女455例；年齡（60.7±15.7）歲。通過醫(yī)院的PACS系統(tǒng)獲取患者頭顱CT的120kV影像數(shù)據(jù)，設(shè)備為德國Siemens公司、荷蘭Philips公司、美國GE公司的16或32排探測器CT掃描儀。數(shù)據(jù)格式符合醫(yī)學(xué)數(shù)字影像和通訊（digitalimagingandcommunicationsinmedicine，DICOM）標準?；颊呷⊙雠P位，掃描范圍為顱底至顱頂。掃描層厚為5mm。2．出血分組標準：根據(jù)醫(yī)師標注出血病灶輪廓和類別結(jié)果，通過容積計算分別得到實質(zhì)內(nèi)出血、腦室出血、蛛網(wǎng)膜下腔出血體積，當(dāng)其中1種出血類型體積超過出血病灶總體積的60%，則劃分至此分類中，如果3種類型出血體積均未超過60%，則劃分至混合型出血。全部數(shù)據(jù)采用完全隨機法分為訓(xùn)練集905例、驗證集156例、測試集162例，實質(zhì)性出血分別為498、107和100例（表1）。3．出血患者的標注過程：包括2個階段。第一階段，由1名主治醫(yī)師（10年工作經(jīng)驗）依據(jù)診斷報告排除非自發(fā)性腦出血患者，并對符合要求者標記出病灶的輪廓、類別及其所在的位置，標注工具使用自主研發(fā)的標注平臺，可以進行自動、半自動兩種方式，并支持窗寬和窗位的調(diào)整、放大、縮小等功能。第二階段，由1名副主任醫(yī)師（22年工作經(jīng)驗）在第一階段的基礎(chǔ)上進行審核，標記出漏標病灶、刪除誤標病灶，并修正病灶的輪廓、類別和位置。經(jīng)過高年資醫(yī)師審核過的標注作為實驗中的金標準用于結(jié)果評測。由3名醫(yī)師分別根據(jù)多田公式記錄血腫最大層面的長徑、短徑和血腫高度，計算血腫量，取3人的平均值作為最終結(jié)果。血腫量=CT最大血腫層面的長徑×短徑×高度/2。二、模型構(gòu)建及評測1．模型構(gòu)建：利用北京深睿博聯(lián)科技有限責(zé)任公司的腦卒中人工智能檢測分析系統(tǒng)構(gòu)建模型，模型訓(xùn)練相關(guān)的超參數(shù)通過驗證集進行調(diào)整，最后選取的學(xué)習(xí)率為0.001，模型迭代的epoch次數(shù)為100。2．測試過程：對測試集的162例患者進行分析和結(jié)果預(yù)測。對于輸入的1例患者的CT數(shù)據(jù)，全卷積分割網(wǎng)絡(luò)會對每個體素點進行出血概率的預(yù)測，若該體素點的出血概率>0.5，則判斷該體素為出血，反之預(yù)測為正常。使用兩種評測方法對模型預(yù)測結(jié)果進行評估。首先，使用Dice指數(shù)來評價醫(yī)師標注金標準A和計算機模型預(yù)測血腫結(jié)果B；然后，分別對比評測模型預(yù)測體積和多田公式預(yù)測體積跟金標準的差異。三、統(tǒng)計分析方法采用SPSS19.0軟件及Excel軟件繪制統(tǒng)計圖。Kolmogorov-Smimov檢驗計量資料是否符合正態(tài)分布，正態(tài)分布的計量資料以±s表示。在測試集中篩選97例單純實質(zhì)內(nèi)出血患者，采用Pearson法評價模型預(yù)測、多田公式計算的出血體積以及金標準間的相關(guān)性；按照實質(zhì)內(nèi)出血體積97例患者分為3組，分別為<525="">25ml組，記錄采用多田公式、模型預(yù)測的出血體積絕對和相對誤差，并記錄模型預(yù)測的Dice指數(shù)，繪制采用多田公式、模型預(yù)測的出血體積與金標準偏差的差異曲線。P<0.05為差異有統(tǒng)計學(xué)意義。結(jié)果一、深度分割模型評測結(jié)果依據(jù)Dice評測指標，深度分割模型在整體的出血病灶上為0.82，可以達到與金標準較高重合度。實質(zhì)內(nèi)出血、腦室出血、蛛網(wǎng)膜下腔出血和混合型出血的Dice指數(shù)分別為0.87、0.85、0.67和0.77，提示相比于蛛網(wǎng)膜下腔出血，深度分割模型在實質(zhì)出血和腦室出血上可以取得更好的效果。對實質(zhì)內(nèi)出血進行分析，腦葉、基底節(jié)、丘腦、小腦和腦干的Dice指數(shù)分別為0.87、0.85、0.86、0.80和0.82。

二、深度分割模型與多田公式的實質(zhì)內(nèi)出血體積比較在測試集中篩選出的97例單純實質(zhì)內(nèi)出血患者中，在單純實質(zhì)內(nèi)出血的97例患者中，模型計算血腫量為（29.55±37.69）ml，多田公式計算的血腫量為（24.04±31.22）ml，模型預(yù)測和多田公式計算的出血體積具有線性關(guān)系，Y=0.7951X+0.5479。多田公式計算的出血量、模型預(yù)測的出血量和金標準間均具有相關(guān)性，r值分別為0.962、0.988，P均<0.05。

多田公式、模型預(yù)測的出血體積與金標準偏差的差異曲線顯示，模型預(yù)測出血體積優(yōu)于多田公式計算的出血體積，多田公式人工計算的出血體積與金標準之間整體偏差以及數(shù)據(jù)波動更大，模型在出血體積計算方面較多田公式方法更為精準（圖1，表2）。

圖1

采用多田公式、模型預(yù)測的出血體積與金標準偏差的差異曲線。多田公式人工計算的出血體積與金標準之間整體偏差以及數(shù)據(jù)波動更大，模型在出血體積計算方面較多田公式方法更為精準將模型預(yù)測的血腫范圍和金標準進行可視化比較，可見深度分割模型可以精確勾勒出病灶的輪廓，并且不同位置、不同類別的出血病灶上，模型可以保持較為穩(wěn)定的分割性能（圖2）。圖2

深度分割模型的可視化示意圖。從左到右分別為原圖、模型預(yù)測和金標準，紅色區(qū)域為出血病灶區(qū)域，深度分割模型可以精確勾勒出病灶的輪廓討論一、通過分割模型識別出血病灶的臨床價值本研究中，筆者采用腦卒中人工智能檢測分析系統(tǒng)構(gòu)建模型，是基于全卷積深度分割網(wǎng)絡(luò)，可對輸入的影像數(shù)據(jù)進行體素級別分析。數(shù)據(jù)處理方面，可自動對厚層原始CT數(shù)據(jù)進行多方位標準化，包括最優(yōu)窗寬和窗位選取策略、三維矯正變換等操作；網(wǎng)絡(luò)設(shè)計方面，以U-Net作為骨干網(wǎng)絡(luò)，并提出多個模塊來增強骨干網(wǎng)絡(luò)的擬合能力并促進網(wǎng)絡(luò)的全局信息建模，包括空間信息增強卷積模塊、稠密空洞卷積模塊等；模型訓(xùn)練方面，在交叉熵損失的基礎(chǔ)上引入多層監(jiān)督損失和加權(quán)損失策略，保證模型可以更快速收斂和更有效地學(xué)習(xí)輸入的訓(xùn)練樣本。通過研究驗證了利用深度學(xué)習(xí)模型對腦出血CT圖像進行病灶分割的可行性和效果，拓展了分割病灶的臨床附加價值，實現(xiàn)對實質(zhì)內(nèi)血腫出血量的精準計算。

深度學(xué)習(xí)技術(shù)在顱腦出血性疾病的CT影像診斷中，主要用于分類和檢出，可實現(xiàn)對不同類型腦出血CT圖像的分類識別，包括實質(zhì)內(nèi)出血、硬膜外出血、硬膜下出血、腦室內(nèi)出血等多種出血類型[6]。有研究者利用熱力圖來解釋分類模型對腦出血圖像識別的位置，獲得了98%的敏感度和95%的特異度[5]。筆者在上述研究的基礎(chǔ)上進一步深入，本研究中的標注策略不僅需要判斷是否出血、出血類型，還需要同時對出血區(qū)域進行勾畫，這為深度學(xué)習(xí)模型提供了更多的信息參考，在納入訓(xùn)練數(shù)據(jù)集前，對標注結(jié)果進行審核，以審核結(jié)果為準，排除標注區(qū)域錯誤的情況，保證了數(shù)據(jù)的標注質(zhì)量。并在此基礎(chǔ)上進行模型訓(xùn)練，結(jié)果顯示模型在所有類型出血分割性能Dice指數(shù)為0.82，在實質(zhì)內(nèi)出血Dice指數(shù)最高為0.87，蛛網(wǎng)膜下腔出血最低為0.67。這表明模型在形成實體團塊的血腫中，性能更好，而在出血較散在的情況（如蛛網(wǎng)膜下腔出血）性能稍差，這也是模型未來需要改進的重點。

拓展模型應(yīng)用場景，為臨床放射診斷提供具有高附加值的輔助數(shù)據(jù)處理一直是人工智能醫(yī)學(xué)影像的發(fā)展趨勢。據(jù)此，筆者在血腫病灶分割的基礎(chǔ)上，進一步探討了其在腦出血血腫體積計算中的應(yīng)用價值。目前臨床常用的血腫測量方法有兩種：多田公式法和計算機輔助的容積計算，前者快捷應(yīng)用方便，但存在誤差過大的問題，后者可以作為金標準，但需要醫(yī)師手工標注，耗時較長，并且計算有賴于影像科工作站。有學(xué)者曾用多種方法嘗試分割出血病灶，由于腦出血CT圖像中，存在出血表現(xiàn)形態(tài)各異、密度不均、邊界不規(guī)則等特征，導(dǎo)致不同情況下自動分割效果差異較大[15,16]。在筆者的測試集中，不同位置的實質(zhì)內(nèi)出血Dice指數(shù)都>0.8，并且絕對誤差明顯小于多田公式計算結(jié)果。同時采用深度學(xué)習(xí)分割模型進行計算時，不依賴于醫(yī)