計算機輔助診斷檢測顱內動脈瘤進展

何佳倩，安興偉*，任賀成，黃 楹，明 東，3

(1.天津大學醫學工程與轉化醫學研究院，3.精密儀器與光電子工程學院，天津 300072；2.天津市環湖醫院神經外科，天津 300350)

顱內動脈瘤(intracranial aneurysm，IA)指腦動脈局部異常擴張導致動脈壁出現瘤狀突起，通常發生于威利斯環(Willis circle)動脈分叉處[1]。臨床80%～90%的自發性蛛網膜下腔出血系由IA破裂引發[2]，盡早檢出、監測IA及評估其破裂風險對臨床干預具有重要意義。影像學評估IA方法包括數字減影血管造影(digital subtraction angiography，DSA)、CT血管成像(CT angiography，CTA)及MR血管成像(MR angiography，MRA)等。DSA是檢測動脈瘤的金標準，但為侵入性檢查，且可能出現碘對比劑過敏等[3-4]。CTA和MRA為無創成像技術，但對微小動脈瘤的檢出率較低，且描繪動脈瘤形態特征的能力相對較弱[5-6]。近年來，以基于深度學習(deep learning,DL)的計算機輔助診斷(computer aided diagnosis，CAD)檢測動脈瘤逐漸成為研究熱點，通過智能化學習、處理圖像特征模式，CAD在提高診斷IA準確率、降低假陽性等方面均顯示出巨大潛力，可使醫學診斷結果更加客觀、準確，同時有助于減輕臨床醫師工作負擔[7]。本文就CAD用于識別IA、檢測目標與分割病灶相關進展進行綜述，分析其所面臨的挑戰，并對未來研究方向進行展望。

1 CAD用于檢測IA

1.1 分類任務 基于分類任務檢測IA包括2個過程，首先需獲得病灶候選區，之后使用DL網絡判斷該區域是否包含病灶。既往研究主要基于IA的形態特征構建深度網絡而實現病灶分類，如UEDA等[8]利用基于腦動脈的曲率特征，于時間飛躍法MRA中提取包括瘤體、漏斗狀擴張、血管分叉及血管狹窄在內的數百種動脈異常表現作為候選目標，再以ResNet-18分類算法對其是否為IA進行分類。醫師應用該算法進行二次評估，可使IA檢出率相比初始報告提高4.8%～13%。由于成像角度，IA與血管重疊特征相似。為此ZENG等[9]應用空間信息融合策略檢測三維旋轉血管造影圖像所示IA，通過串聯每個成像時間序列的特定連續幀圖像而嵌入空間信息，并基于遷移學習策略以經典分類網絡VGG16對其進行分類，由此有效改善檢測單幅圖像的精度，可使識別IA的準確率達98.89%。

1.2 檢測目標任務 檢測目標任務指根據算法預測圖像中包含IA的最小區域，可直接識別和定位IA。隨著DL技術在目標檢測領域的應用，目前提出的檢測算法可分為單階段檢測算法及兩階段檢測算法[10]，前者能直接預測目標類別和邊框坐標，后者指在檢測過程中首先生成樣本候選區域框，再進行樣本分類與調整候選框坐標，其檢測準確率高于前者，故在醫學圖像檢測中應用更為廣泛。2016年REN等[11]提出Faster區域建議卷積神經網絡(region-proposal convolutional neural network，R-CNN)目標檢測算法，通過區域生成網絡生成候選區，以提高檢測目標速度；此后該方法多用于檢測動脈瘤。DAI等[12]使用Faster R-CNN作為自動檢測IA工具，利用來自3D CTA的2D鄰近投影圖像作為輸入，其檢測IA的敏感度為91.8%；但該方法需以復雜的預處理步驟生成2D影像數據，且未考慮動脈瘤的3D空間特征。為綜合利用3D影像信息，DUAN等[13]將基于雙路徑結構的3D Faster R-CNN模型用于檢測和定位3D CTA所示IA，并使用3D多尺度卷積神經網絡以減少檢測算法得到的假陽性區域；利用該算法對550例全腦CTA數據進行訓練并測試，其檢測敏感度為93.3%。

1.3 分割任務 分割任務即對造影圖像進行逐像素分類，以標記像素級別的病灶，可直接提供所預測IA的精確位置，有利于后續形態學分析；常以包括編碼器、解碼器結構及允許高效信息流傳輸的跳躍連接方式的U-Net模型作為分割架構，后者在醫學圖像分割任務中表現出良好性能[14]。較早的分割方法研究多基于2D網絡，如STEMBER等[15]基于MRA二維最大密度投影構建檢測和測量IA的U-Net模型，以初步探索基于DL的人工智能方法用于預測動脈瘤大小的前景。JIN等[3]則更關注DSA的時間和空間信息，在U形網絡中引入雙向卷積長短期記憶模塊，以模擬醫師閱片過程，解決基于二維DSA圖像檢測和分割未破裂IA的問題，其檢測敏感度為89.27%(316/354)，每個序列計算時間<1 s。

與2D網絡相比，利用3D網絡模型能直接輸入3D圖像，學習病灶的3D特征信息。PARK等[16]采用HeadXNet網絡分割CTA所示IA，該網絡在3D U-Net基礎上引入了擠壓-激勵模塊、殘差模塊及空洞空間金字塔池化模塊，以增強提取特征能力；應用該模型后，擁有不同經驗的臨床醫師檢測IA能力均有所提高，檢測敏感度由83.1%提升至89.0%，特異度由96.0%提升至97.5%，準確率由89.3%提升至93.2%。SHI等[17]訓練帶有空間、通道雙注意力模塊和殘差結構的3D U-Net分割模型，其訓練過程穩定，并可使模型學習到可靠的特征。受限于計算能力，上述2項研究均以局部3D圖像作為模型的輸入項，卻無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]采用全局結構信息策略構建用于獲取IA在整個圖像中概率分布的全局定位網絡和獲取局部圖像塊IA體素分割結果的局部分割網絡，以全局定位特征為指導，協助訓練分割網絡，可無需預處理而直接分析、處理包含頸部、心臟區域的腦部CTA，更適用于臨床實踐，可使醫師檢測IA的敏感度提高約12.5%～22.9%，診斷時間縮短約7～24 s。

2 問題與挑戰

2.1 與IA解剖結構相關 IA瘤體本身在腦血管造影圖像中占據的比例極小，模型往往難以自復雜的背景中準確識別病灶區域，導致檢測能力較差[19]。血管重疊與IA表現相似，特別是小的IA[1]，造成CAD檢測IA的假陽性率較高。通過調整成像角度可在一定程度上減輕血管重疊帶來的影響，但如何使CAD學習到不同的時空特征以區分IA與血管重疊是亟待解決的問題。

2.2 特殊類型IA 現有研究多基于囊狀IA進行分析，而針對特殊類型IA，如梭形動脈瘤和夾層動脈瘤等的研究較少。YANG等[20]的內部驗證結果顯示，以CAD檢測囊狀及梭形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樣本量過小，且未具體給出外部驗證結果，仍有待進一步驗證。

2.3 樣本量 相比自然圖像數據，醫學影像數據存在獲取困難、標注成本高及醫學倫理等問題。目前將CAD用于IA的研究所納入的訓練集和驗證集樣本量均較小，且通常來自單一機構，導致算法的穩定性和魯棒性較差。

2.4 數據標注 獲取大量逐像素標注的樣本十分耗時、費力，精準標注大批量數據是分割任務的重要挑戰之一。DI NOTO等[21]使用更易獲取標注信息的弱監督分割方法，將弱標簽(即粗糙、不精確注釋的標簽)用于動脈瘤分割任務，利用動脈瘤位置先驗信息構建3D U-Net分割模型，其檢測測試集IA的敏感度為83%。雖然相比強監督，弱監督模型的性能未能達到預期水平，但可降低標注成本，有助于縮短整體研究進程。有關如何平衡檢測性能與效率有待進一步研究。

3 小結與展望

經由分類任務、檢測目標任務及分割任務均可實現識別、檢測IA，對于降低漏診率、縮短診斷時間具有重要價值。分類任務主要基于判定2D圖像中的異常結構，通常無法直接獲取病灶區域的精確位置；檢測目標任務旨在直接識別并大致定位圖像中病灶所在區域，以實現快速定位IA；分割任務可實現在像素級水平定位IA空間位置和預測其形態，是IA形態學分析及預測瘤體破裂風險的先決條件。

未來CAD檢測IA研究將集中于以下方面：①自動分析動脈瘤形態學和計算血流動力學，并基于此預測動脈瘤破裂風險，完善診斷IA一體化流程，為醫師直觀展現IA發生發展進程，這對于擬定未破裂動脈瘤的治療決策具有積極意義；②融合分析多模態影像學數據，以更有效地學習和利用圖像特征，提升診斷IA性能；③多中心前瞻性驗證，評估CAD臨床實際效能，推進其在臨床環境中的進一步應用。此外，一個成功的IA CAD檢測系統必須完全可靠地識別真陽性病例，研究人員應在充分考慮IA復雜解剖結構的基礎上，使用更先進的算法解決當前存在的問題。