基于遷移學習算法對新生兒大腦3D T1WI的灰白質分割及其發育量化研究

李賢軍，陳健，夏菁，王苗苗，李夢軒，王利，李剛，沈定剛*，楊健*

腦皮層的早期發育與神經行為能力的發展密切相關，新生兒期是腦皮層發育的關鍵時期[1]，而早產是影響腦發育水平的重要因素[2]。因此，需對新生兒腦皮層發育規律進行研究，并評估早產對腦皮層發育的影響，為及時采取干預措施提供依據。MRI是新生兒腦檢查的主要方法，其中3D T1加權成像(T1 weighted imaging，T1WI)對新生兒局灶性白質損傷病灶的檢出率最高[3-4]，在新生兒影像檢查中使用廣泛。但是，新生兒腦T1WI圖像對比度低，偏容積效應嚴重，對其進行圖像分割面臨巨大挑戰[5]。以往研究基于多種成像序列或多時間點采集的圖像實現了兒童腦MRI灰白質分割[6-7]；然而，由于新生兒自我控制能力差，無法長時間保持安靜狀態[8]，以往方案不適宜于新生兒。上述技術局限性導致新生兒腦皮層發育的研究不深入[5]，如何基于T1WI進行圖像分割將是解決上述問題的關鍵。機器學習方法在圖像分割中得到了有效應用[9]，為新生兒T1WI圖像分割提供了新思路。針對圖像分割任務，密集卷積神經網絡表現突出[10]，在該網絡中，每一層的輸入是來自前面所有層的輸出，同時，該層輸出的特征也會傳給后面各層。該模型可實現特征的重復利用進而減少特征圖，具有抗過擬合的優點。基于上述特點，本研究采用密集卷積神經網絡遷移學習實現新生兒T1WI圖像分割模型，并基于分割結果重建大腦皮層，探討腦皮層表面積、厚度、容積等量化指標在新生兒期的發育變化特點，分析早產兒與足月兒腦皮層發育狀態的差異。

1 材料與方法

本研究獲得了醫院倫理委員會的批準，MRI檢查前告知新生兒監護人檢查注意事項，并由監護人簽署了知情同意書。

1.1 研究對象

本文中研究對象是進行腦損傷篩查以及腦發育狀態評估的兒童，為了盡早檢測到腦損傷病灶，新生兒期(生后28 d以內)進行MRI檢查是首選方案；然而，腦發育狀態評估的參考是足月新生兒，為了將該部分早產兒與足月兒進行對比分析，在校正胎齡達到足月期才具備可比性。鑒于此，本文中早產兒包括了早產新生兒與校正至足月期的早產兒。

研究對象的納入標準：早產新生兒(胎齡＜37周；MRI檢查日齡≤28 d)、校正至足月期的早產兒(胎齡＜37周；校正胎齡≥37周，其中校正胎齡=胎齡+MRI檢查日齡)、足月新生兒(胎齡≥37周；MRI檢查日齡≤28 d)；完整的三維T1WI圖像數據；完整的出生指標。排除標準：局灶性腦白質損傷；腦出血；室管膜下囊腫；腦軟化灶；臨床診斷為缺血缺氧性腦病；以及其他常規MRI診斷異常。經納入排除標準篩選，最終入組研究對象50例。根據胎齡、校正胎齡等信息，研究對象分為3組：18例早產新生兒、16例校正至足月期的早產兒、16例足月新生兒。

1.2 數據采集設備及方案

使用GE 3.0 T MRI設備(型號：Signa HDxt；GE醫療；美國)以及8通道頭線圈進行三維快速擾相梯度回波T1WI序列掃描。具體參數為：重復時間=10.47 ms；回波時間=4.76 ms；反轉時間=400 ms；全腦等體素采集(1 mm×1 mm×1 mm)；視野=240 mm×240 mm；采集矩陣=240×240；重建矩陣=256×256；層厚=1 mm。

為了確保順利完成MRI檢查，檢查前30 min由責任護士遵主管醫師醫囑，通過口服或灌腸給予新生兒10%水合氯醛(25 mg/kg)，操作流程嚴格遵循指南[11]執行。待新生兒入睡后由主管醫師與監護人護送至MRI檢查室，包裹在襁褓中放在掃描床上，使用耳塞對聽力進行保護，同時在頭部兩側放置海綿、氣囊以適當固定。在整個檢查過程中對心率、呼吸等生理指標進行監測。

1.3 數據預處理

在圖像分割前，本研究對圖像進行了預處理[5，12]。首先將圖像重采樣，體素大小由0.94 mm×0.94 mm×1 mm重采樣為1 mm×1 mm×1 mm；為了去除磁場不均勻導致的圖像灰度偏移，采用N3校正方法進行圖像灰度不均勻校正；最后，去除腦外信號以提取腦實質區域，從而使圖像中的信號僅包括灰質、白質、腦脊液3部分。

1.4 圖像分割模型的訓練與評價

在本研究中，模型訓練與評價的流程包括：相似數據集初步訓練、本地數據初步分割、手動修正、基于修正數據對模型進行二次訓練、模型測試等環節(如圖1)。

模型結構與參數設置：本文所使用的密集神經網絡由下采樣通路和上采樣通路構成，包括7個密集模塊及相應的過渡層(如圖1)。在下采樣通路中，過渡層包括卷積層、批量歸一化層、線性整流單元、池化層；在上采樣通路中，過渡層則包括反卷積層、批量歸一化層、線性整流單元。為了獲取局部區域特征，訓練圖像以圖像塊的形式進入網絡，圖像塊大小設置為32×32×32。采用Xavier初始化方法對神經網絡進行初始化，同時選擇交叉熵作為損失函數，使用最陡下降法尋找最優解，學習率初始化為0.005。卷積層的卷積核為3×3×3、步長設為1、以0填充。為了保證特征圖大小改變時運算依然可行，在兩個密集模塊之間使用過渡層，利用卷積、池化改變特征圖的大小。模型訓練和測試在NVIDIA Titan X GPU平臺實現。

模型訓練與參數調整：本研究對模型的訓練包含初步訓練與二次訓練，使用外部訓練集與本地訓練集樣本共計30例。考慮到新生兒腦部結構的手動標注復雜且耗時，本研究采用了遷移學習的策略[13]。首先引入來源于外部數據庫(http://iseg2017.web.unc.edu/babyconnectome-project/)具有標簽的相似數據集(樣本量：5例)進行模型初步訓練，得到初步訓練的分割模型，然后將該模型應用于本地數據集。雖然兩個新生兒數據集在參數上相似，但兩個數據集的圖像在灰度分布、空間分辨率、圖像質量等方面仍有差別。在初步分割結果的基礎上，由專家(從事新生兒MRI診斷工作時間大于5年的影像科醫師)對分割結果進行手動修正，從而得到修正后的分割結果。最后，隨機抽取25例本地修正后的數據作為訓練集對模型進行二次訓練；通過獨立驗證(驗證集樣本量：10例)實現參數優化并得到最終的圖像分割模型。

模型評價：將訓練好的模型應用于測試集(樣本量：15例)，進行灰質、白質、腦脊液等區域Dice系數的計算。該參數取值范圍為0～1，越接近于1表明分割效果越好，計算方式如下：

上式中，A代表使用模型得到的分割結果，B代表專家標注的結果。

在圖像分割的基礎上進行拓撲結構校正、腦皮層重建[12，14]。全腦被分為左側、右側大腦半球，并分別計算雙側大腦半球的皮層表面積、厚度以及容積。

1.5 統計學分析

采用SPSS 17.0中的Mann-Whitney U檢驗方法進行組間差異分析；性別比例的組間比較采用χ2檢驗。腦皮層表面積、厚度、容積與校正胎齡的相關性采用Spearman偏相關(早產因素作為控制變量)，P＜0.05被認為差異有統計學意義。針對多重比較，采用Bonferroni校正(總的比較次數為3)，即P＜0.017(0.05/3)被認為具有統計學意義。

2 結果

2.1 研究對象基本信息比較

早產新生兒與校正至足月期的早產兒的胎齡、性別差異無統計學意義；MRI檢查日齡、校正胎齡差異有統計學意義。早產新生兒與足月新生兒的檢查日齡、性別的組間差異無統計學意義；胎齡、校正胎齡的組間差異有統計學意義。校正至足月期的早產兒與足月新生兒的校正胎齡、性別差異無統計學意義；胎齡、檢查日齡差異有統計學意義。見表1。

2.2 卷積神經網絡圖像分割效果評估

圖像分割模型可有效地分割新生兒腦灰質、白質、腦脊液(圖2)。由圖2中各典型層面的分割結果可見，該模型適用于早產新生兒、校正至足月期的早產兒、足月新生兒等人群。并且各區域分割具有較高的準確性，灰質、白質、腦脊液Dice系數最小值分別為0.93、0.97、0.96，最高可達0.99(表2)。

表1 研究對象的人口統計學資料Tab. 1 Demographics of the participants

表2 腦灰質、白質、腦脊液區域分割的Dice系數Tab. 2 Dice ratios for the segmentation of gray matter, white matter, and cerebrospinal fluid regions

圖1 圖像分割模型訓練與測試流程圖Fig. 1 Flow chart of the training and testing of the image segmentation model.

圖2 腦T1WI圖像的灰質、白質、腦脊液分割結果。A：T1WI圖像典型層面；B：對應T1WI圖像的分割結果Fig. 2 Segmentation of gray matter, white matter, and cerebrospinal fluid on brain T1WI. A: Representative slices of T1WI; B: Segmented results corresponding to the T1WI slices.

2.3 腦皮層形態學指標與校正胎齡的相關性

通過形態學指標與校正胎齡的相關性分析(圖3)發現，雙側大腦半球皮層表面積、容積隨著校正胎齡的增加而顯著增大(P＜0.001)；左側大腦半球皮層厚度與校正胎齡呈弱正相關(r=0.31，P=0.029)，而右側大腦半球皮層厚度與校正胎齡的相關性無統計學意義(r=0.23，P=0.110)。

圖3 腦皮層表面積、厚度、容積與校正胎齡的相關性Fig. 3 Correlations between surface area, cortical thickness, volume and the postmenstrual age.

圖4 早產兒與足月兒腦皮層表面積、厚度、容積的組間比較Fig. 4 Inter-group comparisons of surface area, cortical thickness, and volume on preterm and term infants.

2.4 早產兒與足月兒腦皮層形態學指標組間比較

與早產新生兒相比，校正至足月期的早產兒以及足月新生兒的雙側大腦半球皮層表面積、容積顯著增高(P＜0.001)，皮層厚度的差異無統計學意義；校正至足月期的早產兒與足月新生兒相比，雙側大腦半球皮層表面積、厚度以及容積的差異無統計學意義(圖4)。

3 討論

為滿足早產兒腦發育狀態評估的臨床需求，本文通過密集卷積神經網絡實現了新生兒腦灰質、白質、腦脊液的圖像分割，并獲得了腦皮層形態學指標。結果表明，新生兒期腦皮層表面積、容積與校正胎齡呈顯著正相關，皮層厚度與校正胎齡的相關性較弱，且左右腦存在差異。早產與足月新生兒的腦皮層形態存在顯著差異。

3.1 新生兒腦皮層形態發育變化特點

腦皮層在新生兒期快速發育[1]，具體而言，皮層容積成倍增加[15]。本研究結果表明，校正胎齡從32周至42周，左、右大腦半球皮層容積分別增加了2.73、2.66倍。通常皮層容積取決于皮層表面積與厚度[16]。本研究發現，新生兒期腦皮層的快速變化主要體現為皮層表面積的增加，而皮層厚度與校正胎齡的相關性則較弱。該結果反映出皮層表面積不斷延展，并伴隨腦溝回折疊程度增加，這與腦溝回發育水平的視覺評估結果一致[17]。皮層表面積的快速增加與神經元向皮層遷移、生長以及突觸形成有關[16]。盡管神經元的增殖遷移主要發生在胎兒期，出生后仍可觀察到神經元向額葉遷移[18]。此外，左右大腦半球結構發育特點存在差異。腦功能研究[19]表明，出生后3個月的嬰兒腦功能已經體現出左側大腦半球優勢。本文結果中左側皮層厚度與校正胎齡的相關性強于右側，從腦結構發育的角度說明了雙側大腦半球的不對稱性。

3.2 早產對新生兒腦皮層發育的影響

早產是影響新生兒腦發育的重要因素[20]，本研究發現，早產新生兒雙側大腦半球皮層表面積與容積均低于足月新生兒，這表明早產兒較同時期足月兒腦發育成熟度低。盡管在校正至足月期時早產兒存在趕上足月兒的趨勢，但早產兒組內各項指標的標準差仍大于足月兒。可見早產以及過早的外界刺激改變了腦結構的發育軌跡[2]，從而影響兒童行為能力[21]。這種影響甚至持續到青少年時期，進而影響高級認知功能的發展[22-23]。新生兒期腦皮層形態學指標不僅對于量化評估早產兒發育水平具有重要價值，對于認識早產兒后天行為的結構基礎亦至關重要[24]。雖然早產引起腦皮層結構改變的機制尚不明確，可能與孕晚期、新生兒期的神經元的生長、分化以及遷移受到干擾有關[23]。同時，腦結構的發育受遺傳、外界因素雙重影響[16，25]，早期干預有助于改善早產兒的預后。本文結果提示，與皮層厚度相比，皮層表面積對于監測早產因素的影響更為敏感，從影像學角度為新生兒期及時采取干預措施提供了客觀依據。

3.3 本研究對方法的改進與局限性

新生兒腦MRI圖像分割是研究腦發育的關鍵環節，也是圖像處理領域的難點[5]。圍繞腦圖像分割，基于腦模板及其組織概率圖的常規分割方法在成年人數據中取得了良好效果，并在公開工具中集成[26]。然而，常規方法對圖像對比度要求較高。而新生兒圖像灰白質對比度低，仍需借助2歲兒童分割結果引導才能完成分割任務[27]。同時，常規方法對模板及其組織概率圖依賴性強，目前仍缺乏適宜于中國新生兒的腦模板及其組織概率圖。此外，常規方法的參數針對成年人設置而無法直接應用于新生兒。鑒于此，已有研究采用多信息融合的策略進行方法改進[6-7]，但增加了圖像采集的難度以及計算復雜度。與以往方法相比，本文主要從以下方面對其進行了改進：首先，基于T1WI單一序列完成分割，T1WI是影像診斷中常用的成像方法，檢查時間短，易獲取，與依賴多序列圖像或多時間點數據的方法[6-7]相比，本文所采用的方法更適用于新生兒人群。此外，以往基于深度學習的方法常耗費大量時間進行數據標注[24]，為了提高圖像標注的效率，本研究借鑒遷移學習的策略[13]，利用相似數據集進行模型初步訓練，并進行人工修正，可減少人工標注的工作量。經評價，本文的方法適用于新生兒，進一步驗證了密集卷積神經網絡分割模型是一種有效的圖像分割方法。

本研究仍存在一定的局限性。首先，本文用于訓練模型的數據在樣本量與多樣性方面仍存在不足，仍需采用多中心數據進行模型的再次訓練，進一步提高模型的泛化能力。本研究是一項斷面研究，所描述的腦發育規律仍待縱向數據驗證。由于缺乏中國新生兒腦圖譜，本文未能就各腦區的發育規律展開研究，計劃通過構建新生兒腦分區圖譜克服上述不足。

綜上所述，通過對密集卷積神經網絡訓練，可有效地實現新生兒腦T1WI圖像分割；基于圖像分割與皮層重建可量化評估新生兒腦皮層的發育水平，早產兒雙側大腦半球皮層發育落后于足月兒。

利益沖突：無。