首页 > 论文范文 > 医药卫生论文 > 医学毕业论文 > 医学本科毕业论文 > CT影像基于深度学习的脑卒中精准分割研究

CT影像基于深度学习的脑卒中精准分割研究

2020-07-17 421 上传者：管理员

摘要：为解决脑卒中病变的人工定位和定量分析耗时且缺乏一致性的问题，提出了基于多尺度U-Net深度网络模型，从非增强计算机断层扫描影像中分割脑卒中病变的高密度征，同时使用Dice损失函数训练模型以对抗数据中类不平衡问题。实验数据表明：该模型可端到端的以数据驱动的方式自动学习高密度征显著特征，有效地分割脑部小病灶区域。

关键词：
图像分割
多尺度分析
影像医学与核医学
深度学习
脑卒中
加入收藏

引言

脑卒中又称中风，是我国国民第一死因，也在全球范围内造成相当大的健康负担[1]，具有高致残率和高复发率的特点[2]。以往，脑卒中被认为是一种老年病，然而现在，对于30多岁和40多岁的人已不再鲜见[3]。大多数脑卒中是缺血性的，超过80%的病例由于大动脉粥样硬化、心脏栓塞和小血管闭塞引起的血栓栓塞[4]。一旦患者被怀疑发生脑卒中，应立即诊断和治疗以尽可能地保护脑组织。其中，神经影像学对脑卒中急性期的及时诊断对患者的康复和预后至关重要。

计算机断层扫描（CT）和磁共振成像（MRI）是评估急性缺血性卒中（AIS）极为重要的工具。在急性期，CT和MRI都具有高检测准确度、灵敏度和特异度[5]。虽然非增强CT(NCCT）对于AIS检测没有MRI的敏感性强，但它更易于获得紧急情况下的关键诊断信息[6]，因此被临床广泛使用。计算机辅助诊断（CAD）是人工智能（AI）当前研究的热点问题。医生手动分割病变过程耗时巨大，同时医生之间的差异性也有偏差。AIS病变自动分割有助于疾病的定量研究[7]。目前，脑卒中智能分析的项目多采用机器学习技术。艾伯塔卒中项目早期计算机断层扫描评分（ASPECTS）是一种用于缺血性卒中病变快速半定量评估的简单、可靠的评分系统[8,9]，采用机器学习技术对AIS患者提供临床决策。文献[10]通过对2426个患者CT影像展开ASPECTS分析，认为该评分与神经功能相关，可以独立预测AIS患者恢复；文献[11]在NCCT上检测AIS大脑中动脉（MCA）点，并使用SVM进行分类；文献[12]采用随机森林与测地活动轮廓（GAC）分割的集成，能有效准确地测量研究中脑水肿的演变；文献[13]提出一种随机森林MRI亚急性缺血性脑卒中病变的自动分割方法；文献[14]提出了一种自适应脑组织影像分割的方法。

深度学习（DL）使用深度神经网络从数据中提取模式以解决复杂问题，深度学习在与图像相关的任务中表现出突破性的性能。由于放射学从影像中获取信息，因此是深度学习的一个非常自然的应用领域，目前在医学影像的检测、分类和分割等诸多任务中深度学习都取得了显著的成绩[15]。文献[16]由两个卷积神经网络（CNN）自动提取MRI中的脑卒中病变；文献[17]提出了一种使用3D全卷积和密集连接的卷积网络，有效利用三维上、下文信息自动学习特征分割脑卒中病变，自动且精准分割病变区域是脑卒中精确诊断重要的第一步。经典CNN[18]结构对输入图像中的每个像素点中心提取图像块Patch。全卷积神经网络（FCN）使图像语义分割从图像级理解上升为像素级理解[19],FCN用卷积层替换全连接层，通过“反卷积”对最后一个卷积层的特征图（featuremap）进行上采样，使其恢复到与输入影像相同的尺寸，实现端到端的像素级预测。条件随机场（CRF）是常用的概率图判别模型之一，CRF既能保持良好的局部信息又能弥补FCN无法捕捉远端信息的缺陷。作为FCN分割的后处理方法，CRF提升了图像语义分割的边界的性能，是实现精准语义分割的有效途径[20]。医学影像相比于普通图像，具有灰度范围大、边界不清晰等特点，U-Net[21]正是在这种背景下提出的通用网络结构，下采样与上采样结合，底层信息与高层信息结合，提高了分割效果。本文提出了一种专用于小样本图像分割的改进U-Net模型，对中动脉高密度征实现端到端的全自动分割。

1、数据

1.1数据来源

DICOM是用于存储和传输医学图像的标准格式。本文使用的影像数据来自吉林大学第一医院回顾性分析的脑部NCCT薄层影像，经过放射科医生筛选，排除出血性和假性脑卒中的影像，最终将50名缺血性脑卒中患者的影像数据整理成数据集。

大多数的深度学习方法属于有监督学习，因此模型训练需要标签，即“金标准”（Groundtruth）。本文Groundtruth由吉林大学第一医院放射科两位医生手工标注出脑卒中高密征，其中一位是具有二十多年经验的放射科主任医师。图1为NCCT影像上医生手工标注结果的示例。

1.2数据预处理与扩充

所有数据均为回顾性数据，并在使用前进行数据清洗，去除和患者个人相关的信息。深度学习通常需要大量数据作为支持，由于医学影像数据的稀缺性，数据扩充是模型训练前的重要步骤。数据扩充常用的操作是仿射变换[22]，扩充不会改变数据的属性，而是改变模型处理的输入数据的形式，增加训练数据数量并减少模型过度拟合。

图1NCCT脑卒中高密度征区域标注示例

2、框架原理及实现

本文建立了NCCT脑部缺血性脑卒中高密度征的精准分割框架，如图2所示。

2.1U-Net

U-Net结构形似字母U（见图3）而得名[21]。利用底层信息补充高层信息，使分割精确度大大提升。整个神经网络主要有两部分组成：编码路径和解码路径。U-Net为能精准地定位，编码路径上提取出来的高像素特征会在上采样过程中与新的特征图进行结合，以最大程度地保留前面降采样过程一些重要的特征信息。而为使网络结构能更高效地运行，结构中没有全连接层，可以很大程度上减少训练的参数。利用数据扩增，U-Net可以对一些比较少样本的医学数据进行训练。上采样部分融合特征提取部分的输出，将底层特征融合在一起，以最后一个上采样为例，其特征既来自第一个卷积输出，也来自上采样的输出，这样的连接贯穿整个网络，而FCN只在最后一层进行融合。U-net特点是利用底层信息来补充高层信息，从而大大提高了分割的准确性，这种结构有效地避免了FCN网络中的图像语义信息和分段细节不同的情况。

图2缺血性脑卒中高密度征分割模型框架

脑卒中病变区域与整个脑部相比目标非常小（见图1），这会导致训练数据失衡。对于均匀采样Patch，预测将在初始时间被背景部分淹没。尽管病灶的激活被削弱，但如果它们通过pooling和上采样被记录，就可能在反卷积阶段被重建。本文首先完成了U-Net结构为基础的分割网络，实验中采用经典U-Net网络参数进行训练，Dice结果为0.82。

图3U-Net模型结构

2.2多尺度U-Net模型

受文献[23,24]启发，本文对U-Net网络进行扩展形成多尺度分割模型。U-Net由一个卷积层堆叠，且每层卷积核只有一个尺寸。如果同一层使用多个不同尺寸的N×N卷积核，将获得不同尺度的Featuremap，把这些特征结合起来得到多尺度卷积后的特征，如Inception[25]系列网络多个卷积核的结构。因此在编码-解码的网络结构中，嵌入多尺度卷积模块，如图4所示，多尺度卷积层将通过3种大小分别为5×5、3×3和1×1的核进行特征融合。

由于高密度征相对于整个脑部NCCT影像相对较小，且有大有小，因此嵌入多尺度结构即不同卷积层输出的特征。如图4所示，所有的卷积核都在上一层的所有输出上来做，5×5的卷积核所需的计算量就比较大。为避免这一现象，在3×3、5×5前，maxpooling后分别加上了1×1的卷积核起到了降低特征图厚度的作用。此结构也可以进行其他大小的卷积核的扩展，即在使用N×N卷积之前使用1×1卷积对输入的特征图进行降维，再用N×N的卷积核对维度进行还原，这样在保持精度的同时减少了计算量。

图4多尺度卷积核示意图

2.3扩张卷积

扩张卷积[26]和普通卷积之间的相同之处在于卷积核的大小，并且具有相同数量的参数，但通过卷积核插“0”的方式，扩张卷积具有更大的感受野，同时不会减少和遗漏感受野的覆盖区域。膨胀卷积可以定义为：

公式1

式中：Xj为待处理的图像；Kj为3×3的卷积核；*2j为指数增长的膨胀卷积。

如图5所示，3×3卷积核在扩张系数为2和3的情况。本文在卷积块（Conv＿block）内使用扩张卷积。

图5扩张卷积示意图

2.4损失函数

本文网络模型中Loss层的目标函数是由Dice系数定义的。Dice是医学影像分割中被广泛使用的评价指标，使用Dice作为目标函数主要是为解决数据中的类不平衡问题，适应背景和病变非常不平衡的情景。Dice距离用于测量网络自动分割结果和Groundtruth的相似性：

公式2

式中：X和Y分别代表预测结果和Groundtruth；分子代表两组交集的长度，分母代表两组长度的总和。

为验证效果，还比较了交叉熵损失函数训练模型的性能：

公式3

式中：N为像素；pi,oi为第i个像素被赋予正确标签的预测概率。

可见，每个像素对交叉熵损失的贡献相等，因此类不平衡问题很容易偏离模型优化。

2.5网络优化

在Batchsize大小为10的情况下，输入图像及其相应Groundtruth使用Adam优化[27]训练网络，初始学习率设定为0.00001。

3、实验

本文NCCT影像在不同的扫描设备下获取，因此需要进行归一化：(I-I-)/δi，其中：I和I-分别表示一幅影像与该影像灰度平均值；δi为灰度标准差。经归一化后的输出是具有零均值和单位方差的影像数据。

实验使用50名缺血性脑卒中患者的NCCT，其中具有高密度征区域的280幅影像整理为数据集。经过8倍扩充后达到2240幅，将其中的三分之二的样本作为训练集与验证集，三分之一的样本作为测试集。网络建模使用基于Tensorflow的Keras实现，在有两个NvidiaGeForceGTX1080ti,CPU为Intel(R)i9-7920x2.9GHz的计算机上进行。

本文首先完成了经典U-Net分割网络（参数见表1和表2，其中*表示Conv＿block5没有pooling层）。扩张卷积的系数为3。

其次，在该U-Net模型基础上扩展为多尺度U-Net模型，多尺度卷积块结构如图4所示，参数如表3所示。实验中基于多尺度卷积U-Net网络分割的Dice为0.85，提高了经典U-Net分割精度，如表4所示。

表1U-Net网络结构参数

表2卷积块和反卷积块

表3多尺度卷积块参数

表4测试结果比较

实验中用交叉熵损失训练的模型收敛慢，并且训练曲线不太稳定。这也验证了交叉熵损失更容易受到类别不平衡问题的影响的假设。

使用Dice训练的模型在大约30个Epoch时达到稳定，如图6所示，并且实现了更高的性能，说明Dice目标函数是解决类不平衡问题的有效方法。图7给出了实验中部分高密度征的分割结果。第一行为NCCT原始图像，第二行为医生标注的Groundtruth，第3行为模型自动分割结果。

图6本文模型的训练和测试曲线

图7部分预测结果

4、结束语

提出了使用多尺度U-Net架构模型实现NCCT脑卒中高密度征的精准分割。该模型将低级特征映射与更高级别的特征映射组合，使用多尺度卷积来获得更丰富的特征，并使用Dice目标函数解决数据中的类不平衡问题，这些方法可实现精确的像素级定位。实验结果表明：与经典U-Net模型相比，多尺度U-Net模型在具有相同网络参数数量的分段任务中表现出更好的性能。

脑卒中智能化诊断的AI技术，在推荐快速溶栓，甚至院前溶栓治疗的时代，将显著改变中风诊断和管理。临床实践中积累了大量的成像数据，通常这样的成像数据没有适当地存储在许多医院中，并且在一段时间之后被放弃。由于AI技术需要大型数据库才能有效运行，因此必须以结构化和系统化的方式收集成像数据。跨多个医院和中心的合作努力是必不可少的，这将是以后工作的一个重要方向。

参考文献：

[14]贾迪,杨金柱,张一飞,等.自适应脑组织影像分割[J].吉林大学学报:工学版,2012,42(1):161-165.

[24]郭继昌,吴洁,郭春乐,等.基于残差连接卷积神经网络的图像超分辨率重构[J].吉林大学学报:工学版,2019,49(5):1726-1734.

郜峰利,陶敏,李雪妍,何昕,杨帆,王卓,宋俊峰,佟丹.基于深度学习的CT影像脑卒中精准分割[J].吉林大学学报(工学版),2020,50(02):678-684.

基金:吉林省卫生专项科研项目(2018SCZWSZX-001);吉林省自然科学基金学科布局项目(20180101038JC)