預處理對腦血管分割深度學習系統的影響研究

馮建樹，關明鑫，冷一峻，馮建興，高恒

（1.南通大學附屬江陰醫院 神經外科，江蘇 無錫 214000；2.上海皓樺科技股份有限公司，上海 200240）

腦血管疾病是一種多發于中老年人群中的高風險疾病，隨著當前我國老年人口數量的逐漸增加，腦血管疾病的發生率也呈現出逐漸增加的趨勢，需要引起臨床重視［1］。由于腦血管功能和位置的特殊性，臨床治療需要準確掌握腦血管結構狀態信息。目前腦血管疾病的診斷方法有很多，例如頭顱計算機斷層掃描（computed tomography,CT）診斷、多普勒超聲技術診斷以及磁共振成像技術等［2-5］。其中，磁共振血管成像（magnetic resonance angiography,MRA）是研究腦血管的重要手段，利用磁共振獨特的流空效應，可顯示血管血流的速度和方向，對了解腦血管疾病的發病機制、術前診斷和治療具有重要意義［6］。

腦血管分割是基于MRA 進行腦血管分析的關鍵環節。然而，腦血管分割的準確性受到諸多因素影響，例如：腦血管形狀復雜多變，動態變化的成像灰度和部分細小結構不利于分割任務［7-8］；手工分割方法費時費力且缺乏復現性，傳統分割方法欠缺高精度，難以滿足臨床應用的需要［9］。這些問題的存在使得精準的腦血管分割困難重重。目前，深度學習已經在性能上超越了傳統的機器學習技術，能夠學習樣本數據的內在規律，并在醫學圖像處理領域取得了顯著性進步［10］。深度學習已被應用于腦血管分割任務，但目前的深度學習方法依舊存在精度和泛化性較低、對小血管分割表現不佳等問題［1,8-9,11］。MRA 圖像的預處理是后續分割任務之前的重要步驟，對圖像有效的預處理有可能對后續深度學習模型的性能產生積極影響［7］。

MRA 結合深度學習腦血管分割可以有效用于腦血管研究，但腦血管分割存在形狀差別大、存在細小結構等問題，因此需要有效的預處理方案。本文擬結合深度學習，通過組合MRA 圖像的多種預處理操作，比較不同的預處理方法對深度學習模型效果的影響，最終確定一套有效的預處理方案，減少磁共振影像設備的不同以及成像存在的問題對深度學習系統進行腦血管分割能力的影響，提高模型的準確率以及魯棒性。

1 資料與方法

1.1 研究對象和數據收集

本研究選取2021 年1 月至2022 年6 月于江陰市人民醫院行頭顱MRA 檢查的393 例健康受試者為研究對象。納入標準：頭顱MRA 檢查提示無異常；排除標準：①有磁共振成像（magnetic resonance imaging,MRI）檢查禁忌證：安裝心臟起搏器、體內有金屬性內植物、幽閉恐懼癥或懷孕三個月以內；②頭顱MRA 檢查提示存在腦血管異常。

時間飛躍法MRA（time of flight MRA,TOFMRA）數據采集使用佳能3.0T MRI 掃描成像系統［Vantage Titan 3.0T，佳能醫療系統（中國）有限公司］，8 通道頭頸部聯合線圈完成。對所有受試者進行橫斷面掃描，掃描范圍為頸根部到胼胝體上方位置。采用3D 快速場回波（fast field echo,FFE）序列，掃描參數如下：重復時間（repetition time,TR）23 ms，回波時間（echo time,TE）3.5 ms，翻轉角20°；掃描野（field of view,FOV）201 mm×201 mm，重建矩陣1 024，重建像素0.24 mm×0.24 mm×1.2 mm，掃描層數180，層厚1.2 mm，重疊60%，敏感性編碼（sensitivity encoding,SENSE）值為1.8，掃描時間536 s。

腦血管標注由兩名神經外科醫師共同完成。由一名神經外科主治醫師通過ITK-SNAP 軟件對選取病例MRA 原始圖像進行血管標注；另一名副主任醫師進行審核，兩者意見一致則確定標注結果，意見不一致時協商確定結果。

1.2 預處理方法

其中，maskseg和maskgt分別表示深度學習模型分割得到的血管區域和真實血管區域，|X|表示集合X的大小，即區域的體素數。

1.2.1 圖像歸一化 圖像歸一化處理是圖像處理中的一項基礎工作，為了消除指標之間的量綱影響，需要進行數據標準化處理，以解決數據指標之間的可比性。原始數據經過數據歸一化處理后，各指標處于同一數量級，轉換函數如下：

本研究使用的MRA 腦血管分割深度學習網絡為優化的3D U-Net［14］，其具體架構見圖1。該網絡由卷積層、激活層、池化層和上采樣層組成，先進行卷積與池化層的下采樣，將128×128×128的圖像，卷積到8×8×8，再進行反卷積的上采樣操作還原到128×128×128 的大小，每一次降采樣后的特征圖（feature map）都會與上采樣到相同尺寸的特征圖拼接組合（concate）成新的特征圖再進行后續的上采樣操作，最后使用1×1×1 的卷積，將特征圖降維到2。該網絡可以在學習的過程中提供高分辨率的特征，更好地利用原始圖像的信息。

1.2.3 顱骨剝離 顱骨、頭皮、硬腦膜等結構可能會影響到算法性能，因此需要將腦組織從非腦組織中提取出來，該過程稱為顱骨剝離。本研究中的顱骨剝離使用基于Python 的HD-BET 算法（https：//github.com/MIC-DKFZ/HD-BET）完成。

1.2.2 中值濾波 中值濾波是一種非線性濾波，可消除MRA 數據中的噪聲。它將每個體素替換為圍繞這個體素的矩形范圍內的中值，可以在抑制噪聲的同時保持圖像細節，公式如下［12］：

由于白銀貨幣化，整個社會對白銀的需求量日益增長，許多人為白銀四處奔走。一些后開發地區的銀礦被發現，并因此帶來了人流、物流、資金流、技術流，社會資源被重組，山區被開發。在狂熱追逐白銀的情況下，白銀不僅是社會財富的直接化身，而且成為物質世界和精神世界統轄者。于是，白銀文化應運而生。主要表現如下：

其中xnorm和x分別為歸一化后和原始的樣本數據值，xmax和xmin分別為樣本數據的最大值和最小值。在歸一化前，對圖像數據以（0,1 000）閾值進行截斷。

1.2.4 直方圖匹配 直方圖匹配，是指將一幅圖像的直方圖變成規定形狀的直方圖而進行的圖像增強方法，可以糾正MRI 圖像間的組間變異性。組間變異性，指的是由于腦MRI 圖像的成像設備與成像參數不同，數據可能存在顯著差異［1］，表現出對于相同組織類型的不均勻的強度表示。本研究中的直方圖匹配使用Python 中SimpleITK 庫的HistogramMatching 函數完成。

1.2.5 偏置場校正 MRA 普遍存在強度不均勻性（intensity-non-uniformity,INU）的問題，偏置場校正旨在消除在整個圖像上顯示為平滑變化信號的強度偏差［13］。為解決磁場和線圈的不均勻性導致的雜散強度變化問題，偏置場校正通過將原始圖片疊加上一個偏移場得到校正后強度均勻的圖片。本研究中的偏置場校正使用ANTs（Advanced Normalization Tools）軟件的N4BiasFieldCorrection函數完成。

兩次關鍵性任務在初次完成時，要達到80分，低于此分數的學生要在拿到分數一周內找老師咨詢修改意見，并在最多五個工作日內提交修改稿。如果依然沒達到80分的成績，就要重做此項作業，并在期末考試前一周提交。這是最后的補救機會，還達不到標準將導致該門課程不合格。

1.2.6 配準 圖像配準是基于某種標準，將一幅或多幅圖像最優映射到目標圖像的方法。通過將MRA 圖像配準到統一標準的影像上，以保證相同的部位具有相同的生物學上的意義，以減小由于影像的多樣性、未完全按照規范操作導致的頭部傾斜、先天等因素導致的頭骨不標準等現象的影響。

老賈解釋，原來，古董講究物以稀為貴，如果是舉國無雙的至寶，價格自然驚人。或者是天下唯二唯三的珍品，當然也是價格不菲。但是如果說到古錢幣，因為貨幣本身就具有易于貯藏和攜帶的特征，所以保存起來不但方便，而且數量也不少。試想存品超過千，多于萬之后，單一錢幣的價值自然是嚴重的通貨膨脹。再加上古錢幣本身的材料多為銅鐵，做工也不會太過復雜，所以單純的藝術價值也不高。少了古董的稀缺性，本身又不值錢，古錢幣敢情就變成古董界里后媽養的孩子，和珠寶字畫之類親兒子的待遇不可同日而語。

1.3 深度學習模型構建及評估

高鐵CPⅢ網測量時，測站搬站的縱向間距為60 m或120 m，考慮到高鐵CPⅢ點縱向間距為60 m，即相鄰測站的間距與CPⅢ點縱向間距相等或是其2倍[4]。在城市軌道交通中每個測站觀測8個控制點時，共有相鄰測站間距與控制點縱向間距相等或是其2倍兩種外業測量網形。

圖示1中所示橫坐標12個名稱顯示為調查內容，縱坐標顯示為兩個群體的不同評價，其中實線標識為企業員工，虛線標識為到訪游客。調查問卷最后題目問及“是否樂意向朋友推薦其到本園區旅游觀光”，其中企業員工的均值為3.63，而到訪游客的均值為4.26，這個結果能夠與前面的調查內容保持一致性。

圖1 MRA 腦血管分割任務的U-Net 網絡框架

網絡的構建與訓練基于Pytorch 完成，訓練使用的顯卡為NVIDIA GeForce GTX 1080Ti 12GB。該網絡接受128×128×128 的體素數據輸入，每個體素被標注為血管或非血管區域。393 例圖像數據以9∶1 的比例分為訓練集和測試集。輸入前，所有訓練集或測試集數據被重采樣為128×128×128。訓練方式為滑動窗口方法，overlap 為64。學習率為1e-3，優化方法為適應性矩估計（Adam）+隨機梯度下降（stochastic gradient descent,SGD），Adam 參數β1=0.9，β2=0.999，ε=1e-8。損失函數使用交叉熵損失函數，批大小（batch size）為2。測試方式為與訓練相同的滑動窗口方法，overlap 為64，對測試圖像的每個體素得到屬于血管區域的概率值，大于閾值0.5 則認為該體素屬于血管區域。

從日常營運資金來源及凈資產角度，社會組織資產包括：會費收入；社會組織在核準的業務范圍內開展社會服務、提供有償服務（如培訓、咨詢等）所取得的收入；社會捐贈所形成的資產；會員企業提供贊助形成的非限定性凈資產；社會組織參與政府購買服務所得形成的非限定性凈資產；依法保值增值形成的收益以及其他合法性收入形成的資產；接受財政撥款形成的凈資產為限定性凈資產；社會組織利用現有的資源舉辦行業交流會、展會等取得收入所形成的非限定性資產。可見，資產來源渠道復雜多樣，使得從來源上界定權屬存在一定難度。

對每個預處理方案的深度學習模型，計算交并比（intersection over union,IoU）和Dice 相似系數（dice similarity coefficient,DSC），以比較不同預處理方案對模型性能的影響。IoU 和DSC 均可用于衡量兩個集合的重疊程度，計算公式如下：

對MRA 圖像數據，在網絡訓練前，按照如下流程進行預處理：對于圖像歸一化、中值濾波、顱骨剝離、偏置場校正、配準、直方圖匹配六種預處理步驟，依次添加新的步驟，比較新的步驟組合與先前的最優步驟組合的深度學習模型性能，若優于最優步驟組合則保留該步驟，按照該流程反復，直至確定最優的預處理步驟組合。深度學習模型性能的評估方法見節1.3。

其中xmed為中值濾波后的數據值，S為圍繞這個體素的矩形范圍，xijk表示坐標為(i，j，k)的樣本數據值，med 表示取中值。本研究中的中值濾波使用Python 中SimpleITK 庫 的MedianImageFilter 函數完成。

在比較IoU 和DSC 指標后，確定性能最優的預處理組合方案。

依據獨特的產業優勢，揚中近年來加快智慧產業建設進程。2017年推動威騰股份與GE聯合打造“數字化工業轉型項目”，與阿里云合作搭建國內首個“智慧電氣云”。積極明確產業定位并加快建設新壩智慧電氣小鎮。同時，揚中加大與北自所、中科院等企業和科研院所的接洽，探索打造揚中智能制造工業產業云，產業轉型升級步伐進一步加快。

不同預處理方法的深度學習分割效果如圖2所示。結果顯示，除顱骨剝離+圖像歸一化的預處理方案分割效果較差外，其他預處理方案的分割效果較為接近。

2 結果

2.1 受試者基本情況統計

本研究共納入393 例健康受試者，基本情況統計信息見表1。

表1 393 例受試者基本情況（例）

2.2 不同預處理方法的深度學習分割模型結果比較

不同預處理方法的深度學習分割模型結果如表2 所示。結果顯示，圖像歸一化能夠提升深度學習分割模型的性能，在圖像歸一化基礎上，僅偏置場校正和直方圖匹配能進一步提升分割效果，而偏置場校正+直方圖匹配+圖像歸一化組合后，未能進一步提升分割效果。偏置場校正+圖像歸一化預處理方案對腦血管的分割效果最佳，IoU 為0.796，DSC 為0.882；僅圖像歸一化、直方圖匹配+圖像歸一化、偏置場校正+直方圖匹配+圖像歸一化預處理方案的分割效果略次于最優方案；應用顱骨剝離后，分割模型性能明顯降低。

表2 不同預處理方法的深度學習分割模型結果

同理Y2=(0.35,0.30,0.15,0.00)，Y3=(0.30,0.35,0.20,0.00)，Y4=(0.35,0.35,0.20,0.00)，Y5=(0.30,0.35,0.20,0.10)，Y6=(0.30,0.30,0.35,0.10)，Y7=(0.30,0.35,0.30,0.00)，Y8=(0.30,0.35,0.30,0.10)，Y9=(0.30,0.30,0.35,0.10)。

圖2 不同預處理方法的深度學習分割效果

2.3 不進行預處理方案與最優組合預處理方案的結果對比

根據結果，確定性能最優的預處理流程如圖3所示。首先，對原始圖像進行偏置場校正，然后進行（0,1 000）閾值的截斷，再進行圖像歸一化，使圖像數據變為0～1 范圍內。

圖3 性能最優的預處理流程示意圖

圖4 顯示了不進行預處理與最優組合預處理方案的分割效果對比，結果表明，偏置場校正+圖像歸一化預處理方案能夠提升深度學習模型的腦血管病分割效果。

圖4 不進行預處理與最優組合預處理方案的分割效果對比

3 討論

腦血管分割是基于MRA 進行腦血管分析的關鍵環節，然而腦血管分割準確性受到形狀差別大、存在細小結構等諸多因素影響［7-8］，因此需要有效的預處理方案。本研究應用深度學習，通過組合MRA 圖像的多種預處理操作，比較不同的預處理方法對深度學習模型效果的影響。結果顯示，本研究提出的偏置場校正+圖像歸一化預處理方案能夠使深度學習模型對MRA 血管分割任務達到0.796 的IoU 和0.882 的DSC，優于其他的預處理方案，證明該流程能夠有效提高深度學習系統進行腦血管分割的能力，提高模型的準確率和魯棒性。

本研究中，偏置場校正+圖像歸一化預處理方案結合深度學習獲得了最優的腦血管分割結果。在MRI 采集過程中，有很多固有特性無法消除，例如在磁場中數據流帶寬和由磁場梯度驅動的渦流導致的圖像偽影，而偏置場校正通過將原始圖片疊加上一個偏移場得到校正后強度均勻的圖片，能夠消除在整個圖像上顯示為平滑變化信號的強度偏差，校正數據中的強度不均勻性［13］，進而提升分割效果。圖像歸一化則是通過將原始數據變換至同一范圍，解決數據指標之間的可比性，合理的歸一化方法能夠使深度學習模型的精度和訓練時的收斂速度提升［15］。

本研究中，直方圖匹配+圖像歸一化、偏置場校正+直方圖匹配+圖像歸一化預處理方案的分割IoU 和DSC 略低于最優方案。直方圖匹配，是指將一幅圖像的直方圖變成規定形狀的直方圖而進行的圖像增強方法，主要作用為糾正MRI 圖像間的組間變異性。本研究中的MRA 圖像數據基于相同的成像設備和成像參數得到，因此直方圖匹配對于腦血管分割的效果影響可能并不明顯。另外，結果中，進行顱骨剝離后的深度學習模型性能反而下降，主要原因是顱骨剝離使用的HD-BET 去除了過多的腦部區域，導致部分腦血管也被去除，使得分割得到的腦血管結果減少。更合理的顱骨剝離方法有待進一步研究和測試。

本研究針對基于深度學習的MRA 腦血管分割中的問題和難點，提出了偏置場校正+圖像歸一化預處理方案，能夠提高腦血管分割深度學習系統的性能。本研究提出的預處理結合深度學習方案樣本量為393 例MRA 圖像數據，IoU 為0.796，DSC 為0.882。與以往研究相比，WANG 等［16］使用基于Otsu 算法的閾值分割算法，在10 例MRA圖像數據上達到了0.84 的DSC；GUO 等［17］使用三個U-Net 網絡分別在20 例MRA 圖像的橫斷位、冠狀位和矢狀位切片進行訓練，預處理方法僅進行歸一化，用投票特征融合和基于連通域分析結合三個網絡的結果，達到了0.8793 的DSC；SANCHESA 等［18］使用基于3D U-Net 和Inception模塊的Uception 網絡，以及除以圖像最大強度值的歸一化預處理，用32 例MRA 圖像進行訓練，達到了0.67 的DSC。對比表明，本研究的IoU 和DSC 優于WANG 等的結果，說明預處理結合深度學習的方法相比于傳統的血管分割方法具有一定的優勢；而與GUO 等的結果相比，本研究中的最優方法的性能與其接近，表明該方法能夠在僅使用橫斷面信息的情況下達到相近的分割效果，因而具有更高的效率，證明該方法在提升MRA 血管分割深度學習模型的性能方面的能力。根據SANCHESA 等的研究結果，在相同的數據集上，Uception 網絡具有相比3D U-Net 更優的性能，結合本研究確定的預處理方法并改進深度學習模型有望進一步提升分割效果。

本研究依舊存在一定的局限性：MRA 數據均使用相同成像設備和參數采集得到，針對不同成像設備和參數的MRA 數據有待測試；此外，本研究中最優預處理方案的IoU 離實際臨床應用還有一定距離，需要結合數據量的擴充和深度學習模型的改進，提高模型的整體性能。

綜上所述，本研究確定的偏置場校正+圖像歸一化預處理方案能夠有效提升MRA 血管分割深度學習模型的性能，為基于MRA 和深度學習的腦血管分析提出了一套可行的預處理方案。