首页 > 论文范文 > 医药卫生论文 > 内科论文 > 脑卒中论文 > 应用于缺血性脑卒中诊断的层次门控分割网络

应用于缺血性脑卒中诊断的层次门控分割网络

2023-09-01 93 上传者：管理员

摘要：为了解决人工勾画缺血性脑卒中病灶效率低及误差大的问题，本文设计了一个建立在门控机制上的改进的U-Net网络系统。该系统引入标记化MLP模块，具有参数数量少和推理速度较快的优点。实践结果表明，本文构建的系统能够较准确地实现病灶的像素级分割，基本满足智能化医疗的需要。

关键词：
像素级分割
医学影像
智能化医疗
突发脑卒中
缺血性脑卒中
加入收藏

1、引言

中风是由动脉突然闭塞或破裂引起的神经系统疾病，直接引起神经元死亡和脑组织紊乱。脑卒中患者可能会出现多种后遗症，如运动障碍、认知障碍和语言障碍等，严重影响患者生活质量，威胁健康安全[1]。发生卒中后，每分钟大约有190万个脑细胞死亡，脑组织及其所支配的运动、语言、认知及情感等多个功能也将同步逐渐丧失，超过2/3的中风患者的生理功能或心理将遭到破坏，从而影响他们的正常生活[2]。

为了提供适当和有效的中风康复治疗，中风后病灶的准确测量非常重要。然而，在临床中，放射科医生通常手动分割、量化核磁共振图像（Magnetic Resonance Imaging,MRI）中的中风病变。然而这一过程需要大量的时间和精力，并受医生主观因素影响较大。由于中风病灶没有清晰的边缘，无法准确地进行手动测量，加上病变可以发生在不同的位置，因此分割病灶是一大难点，自动分割病灶显然意义重大。然而，市场中现有的数字诊断系统仍依赖大量的人力干预，具有繁琐的操环节作，难以进行设备的推广普及。智能化、功能完善、高速响应及精准判断的现代化诊断系统是当下医疗系统所亟需的改进。

本文在一些现有的网络基础上，提出了新的基于层次门控分割网络（U-shaped Perceptron GFF Net,UPGNet）的缺血性脑卒中辅助诊断系统。此语义分割模型包含早期卷积阶段和后期的多层感知机（Multilayer Perceptron,MLP）阶段，并采用门控完全融合机制（Gated Fully Fusion,GFF）代替传统的跳连接，利用门控像素级地逐一衡量每个特征向量的可用性，有选择地以完全连接的方式使用门从多个级别融合特征。它既考虑了导入低层次特征来弥补高层次特征中丢失的详细信息，也避免了简单组合带来的语义鸿沟和信息淹没。同时，在隐空间中，使用标记化MLP，可以减少参数数量和计算复杂度，提高推理速度。

2、相关工作

目前，卷积神经网络（Convolutional Neural Network,CNN）因十分出色的学习能力与表示特性，成为了图像语义分割的首选方式。2015年，Long等人提出基于卷积神经网络的语义分割架构——全卷积网络[3]，像素级分类网络取代了传统分类网络，并实现了基于端到端（end-to-end）的语义分割。Ronneberger等人于2015年进一步提出了基于编码-解码器架构的U-Net模型[4]，恢复在下采样中丢失的空间细节，取得了不错的效果。2018年，Chen等人对编码器中的主干网络Xception进行了改进[5]，提出DeepLab v3+网络，提高了编码-解码器网络的运行速率和稳定性。同年，Yu等人提出双路径分割算法BiSeNet[6]，引入语义上下文路径和空间路径，通过双路径结合在一定程度上解决了损失空间信息的问题。2021年，Fan等人对BiSeNet重新思考提出STDC网络[7]，利用细节聚合模块引导浅层网络学习空间信息，从而更精确地保留了空间信息。

现有的脑卒中病灶分割研究可分为基于2D的方法和基于3D的方法。基于2D的方法将MRI图像分割成2D切片，然后在每个2D切片中分割病灶。杨浩等人提出了跨级别融合和上下文推理网络来推断不同的病变大小和上下文信息[8]。刘新风等人提出了ASPP(Atrous Spa-tial Pyramid Pooling)[9]。这是一种编码器和解码器之间的多尺度、深度融合方法，用于捕获全局上下文信息，提高病变分割的性能。这些方法大多利用含229例慢性中风T1加权MR图像的ATLAS数据集来评估病变分割的性能。

3、系统架构

如图1所示，系统整体由初步筛选模块、精准分割模块、量化分析模块以及智能管理模块组成。初步筛选模块通过改进后的CNN对提取的相关特征进行训练，建立一个深度学习模型来有效检测输入的MRI数据样本是否患有缺血性脑卒中。若患有缺血性脑卒中，MRI数据样本则输入至分割模块。精准分割模块创新性开发了UPGNet语义分割算法，对已确认患有缺血性脑卒中MRI数据样本进行图像分割。该模块主要实现病灶区域定位与病灶边缘勾画，并提取其相关特征，输入分析模块。量化分析模块通过输入的相关特征，对病灶的大小、形状进行量化分析。根据病灶区域的灰度值，计算脑组织失活程度，辅助判断缺血性脑卒中的严重程度。综合以上分析得出的数据，获得对该MRI数据样本的智能影像分析。智能管理模块面向医务人员。医务人员能通过该模块，对自己治下的病人的MRI数据样本进行浏览，查看该病人病情的分析，也可具体查看特定数据样本的病灶区域定位和病灶边缘勾画。

图1系统架构图

4、模型设计

4.1数据预处理

采用ATLAS v2.0数据集中的高分辨率的T1加权MRI影像作为实现缺血性脑卒中病灶分割的数据，算法的主要流程包括数据处理、基于UPGNet模型的图像分割两部分，如图2所示。

图2系统流程图

ATLAS v2.0数据集来自全球11个国家的44个不同的研究组，并带有人工分割的病灶区域，包含655个训练集，300个测试集，316个通用数据集。

使用的影像数据可能对训练产生不利影响：（1）原始MRI图像中具有高强度的颅骨等非脑结构。（2）扫描设备中磁场不均匀，被试在扫描仪中的位置不同，噪声以及许多未知因素可导致MRI图像存在灰度不均匀问题。（3）数据量偏少，需使用数据增强的方法对数据集进行扩充。因此，通过以下四步来进行预处理：

(1）颅骨剥离和小脑切除：在Ubuntu环境下使用FSL包，进行bet操作将图像中的头骨等非脑结构移除。

(2）灰度归一化：归一化操作均值为0，方差为1，数学表达式如下：

x、y分别表示归一化前后的图像，mean()函数表示均值计算，std()函数表示标准差计算，归一化后的图像满足均值为0、方差为1的正态分布。

(3）图像增强：将图像按50%的概率在前后和左右方向随机翻转，沿x轴或y轴方向平移。

(4）平滑处理：用高斯核函数对图像进行处理，以抑制噪声，提高信噪比。

4.2模型架构

基于编码器解码器结构的UPGNet模型如图3所示。算法流程图如图4所示。

=图3 UPGNet模型概览

由图3可以看出，模型由上采样和下采样两个部分构成，并加入了GFF门控，以改变通道之间的权重，从而有选择地将下采样的输出特征与上采样的输出特征相融合。比起传统使用跳连接的U-Net，本模型能更具针对性地实现多尺度特征融合，更好地分割小目标且保留物体边缘的纹理信息。GFF门控机制引入的权重因子必然导致计算量的增加，因此，将U-Net模型的下两层用标记化的MLP模块替代，以减少参数。最终输出的涵盖上下文信息的特征图将通过密集特征金字塔得到，再将这些特征图进行合并后输出。

图4 UPGNet模型算法流程图

语义分割密集地预测图像中每个像素的语义类别。这种全面的图像理解应用广泛。然而，精确预测每个像素的标签是具有挑战性的。作为语义预测问题，其基本任务是生成一个高级和高分辨率的特征地图。但随着网络越来越深，相应特征图的感受野会越来越大，保留的细节信息会越来越少。为了进一步弥补编码阶段下采样丢失的信息，各网络一致采用了多级特征融合。

对于多级特征融合而言，输入特征图由ResNet网络进行提取[10]。其中Hi、Wi、Ci分别表示第i个特征图的宽、高和通道数。至此可得出，将多层特征图之间互补的特征相结合，会兼得高分辨率和丰富的语义信息。这一过程可以抽象为以下的映射关系：

其中，为第L层融合后的特征图。

为了使融合后的特征图与式（1）左侧的特征图有相同尺寸。这里对等式进行了简化：去除了等式右侧重置特征图尺寸的双线采样与1×1的卷积，得到式（3）。

但简单地结合高级特征图和高分辨率的特征图会淹没有用的信息，因此，需要一种先进的融合机制来从不同的特征图中有选择地收集信息。

如图5所示，本模块的门控基于简单的加法融合，能有选择地以完全连接的方式从多个级别融合特征信息。具体而言，基于上述简单的加性的多级特征融合，对求和过程添加了门控图的权重因子，此时加法融合过程可以定义为式（4):

对于一个在i层的位置的特征向量（其中i≠l），仅当Gi(x,y)的值较大且Gl(x,y)的值很小时，才可被l层接受，即l层只会接受自身缺失且具有有用信息的特征信息。有用的信息能够通过门被正则化入正确的位置，无用信息的传播也能被有效地抑制，避免信息冗余。信息仅在当前位置具有可用特征时才被接收。

图5 GFF门控特征融合模块图

4.4 MLP模块

UNet作为一种高效的encoder-decoder卷积神经网络，目前已经成为医学图像分割的主流框架，并且衍生出了一系列变体。但目前的模型大多将关注点投放在提升模型的准确度上，导致模型的参数越来越多，推理速度并不理想，尤其是在偏向应用的医学图像方面。由于多数设备并不具有GPU，因此模型的轻量化显得很重要。同时MLP比Conv、Transformer更加简单，也极大地减少了计算的复杂度，使得模型更加倾向于应用。

UPGnet包括两个部分：卷积阶段和标记化的MLP阶段。前三个阶段和UNet一样，用标记化的MLP替代UNet最后两层。而对于传统UNet中编码器和解码器间的跳连接，改成上文所提出的GFF门控机制。对于通道的数量，选择了C1=32、C2=64、C3=128、C4=160,C5=256（见图3）。这些参数比原始UNet及其变体都要少，只是选取了部分通道进行保留。这样不仅给网络提供了选择的余地，也减小了参数量。

图6标记化MLP模块

在卷积阶段使用了3×3的卷积核，此时并未对图像进行大小的变化，并且包含了BN (Batch Normalization）层以及ReLU激活函数。而在每层之间进行尺度变化时，则是使用了最大池化以及双线性插值。上采样使用双线性插值来替代转置卷积，是因为转置卷积也会引入网络参数。

在进行标记前，对特征进行移位操作（见图7），将模型的重点移动到需要关注的区域，如病灶所在的位置等。类似于Swin-Transformer中的窗口操作[11]，通过窗口的存在限制模型感受野来提供局部性。此外，可以看到图3中的标记化MLP阶段中存在上下两层MLP块，其中一个是负责宽度方向上的位移，另一个是负责高度方向上的位移，类似于轴向注意力机制[12]。

图7特征移位操作

在MLP阶段结束后，加入了深度卷积操作(DW-Conv)。这里选用深度卷积有两个原因：（1）深度卷积可以将位置信息引入模型[13]，由于MLP结构对位置不敏感，因此需要加入位置信息。（2)DW-Conv由于参数较少，因此能够具有更高的效率。

上述计算可概括为：

其中T表示标记，H表示高度，W表示宽度，DW Conv表示深度卷积，LN表示层归一化。

5、实验结果和系统测试

为了验证提出UPGNet模型的有效性，与UNet++、UNet3+、Dense-UNet、ResUNet四种分割网络进行对比实验，采用相同的网络参数，利用验证集对训练好的模型性能进行测试。

表1展示了各个模型分割结果的Dice系数、精确率与召回率。由表1可见：本文方法的Dice系数、精确率与召回率相较于其他三种方法，均有提升。实验表明，通过引入GFF门控机制，能有效提升网络对输入图像特征的提取能力，进而提高分割精准度。表1的最右侧1列展示了各个模型的运算量，其中运算量以本文方法的运算量为基础，展示几个模型运算量之前的倍数关系。由表1可见：本文方法的运算量均小于其他网络模型，这是由于本文使用标记化MLP，减少参数数量，故运算量较低。

表1模型分割结果对比

如图8所示，通过导入患者的MRI扫描图像，系统能迅速地分析出判断可能的病灶区域与病灶直径，并对其高亮显示，以提示医生。此外，对于每个可能的病灶都给出其患病概率，最后显示出患者的患病阶段。

图8系统病情诊断结果图

经过大量的真实患者MRI图像实验证明，本文构建的系统能够较准确地判断病灶位置，且给出了正确的病情阶段评估结果。对于少量存在多个病灶的测试数据，系统的分析结果仍存在病灶数量及位置的确定准确性问题，但最后的病情阶段评估结果符合实际。

参考文献:

[1] 王陇德,吉训明,等.中国卒中中心报告2020.中国脑血管病杂志,2021,18(11):737-743.

文章来源:倪玮,杜航丰,盛一搏等.应用于缺血性脑卒中诊断的层次门控分割网络[J].福建电脑,2023,39(09):23-27.