動脈瘤性顱內出血的自動檢測和血腫分割方法

周海柱，張 東，胡 平，祝新根

1武漢大學物理科學與技術學院，湖北 武漢 430072；2南昌大學第二附屬醫院神經外科，江西 南昌330006

顱內出血（ICH）根據出血位置的不同可以分為腦實質出血（IPH）、腦室內出血（IVH）、硬膜外血腫（EDH）、硬膜下血腫（SDH）和蛛網膜下腔出血（SAH）5種類型。顱內動脈瘤破裂主要造成SAH，當出血量較大時可能發生IPH和IVH。在臨床診治中，從頭部CT影像中獲取血腫的類型和大小是制定治療方案的重要步驟。當前血腫大小主要是人工通過多田公式進行粗略估算，由于人類判斷的主觀性差異，該方法常常會產生較大的估算誤差。為了獲取血腫的大小，首先需對血腫區域進行分割。既往研究已使用傳統的影像學處理方法（如閾值分割［1,2］、模糊聚類［3,4］、區域生長［5］、超像素［6］、活動輪廓［7］等）完成血腫的自動或半自動分割，這些方法大量應用到IPH的分割中并取得較好的結果。隨著機器學習的不斷發展，部分研究者使用UNet神經網絡完成了不區分類型的腦血腫分割［8-12］。當前研究主要集中在不區分類型的血腫分割，只有少量的工作嘗試對多類型血腫分割；但目前仍缺乏對于顱內動脈瘤破裂引起的顱內出血多類型血腫分割的研究。本文在UNet的基礎上設計一種新的網絡模型。通過混合2D和3D卷積神經網絡來完成顱內動脈瘤破裂引起的顱內出血多類型血腫分割，結合數據處理階段的腦組織提取算法可以實現端到端的全自動處理流程。該方法可以有效提升顱內動脈瘤破裂引起的顱內出血的診治效率，擁有較好的臨床應用價值?，F報道如下。

1 資料與方法

1.1 一般資料

本研究已通過南昌大學第二附屬醫院倫理委員會批準。研究中共收集動脈瘤性顱內出血的CT影像數據644例。每例數據包含的切片數為24、28或32，空間分辨率統一重采樣為0.5 mm×0.5 mm×5 mm。本數據集包含3種出血類型，其中SAH為主體，同時包含IPH和IVH。數據由6位神經外科研究生使用3D Slicer進行手動標注，再由2位資深的放射醫師進行審核校對，最終對標注結果達成一致。

原始數據首先使用自制的腦組織提取算法和矯正算法進行預處理，再提取腦組織的最小感興趣區，最后將切片分辨率統一調整為352×288；為使每例數據具有相同的切片數，經調整后移除腦組織占比低于20%的切片，最后保留剩余切片的前18張，即用于深度學習模型訓練和測試的數據的分辨率為352×288×18。

1.2 腦組織提取

本研究使用的數據為未經處理的臨床數據。未經處理的腦部CT影像中除了大腦組織外還存在顱骨、皮膚組織以及儀器固定架等構成要素。為減少此類非腦部組織對血腫分割結果造成的不良影響，本研究在圖像預處理階段首先進行CT圖像中的腦組織區域的提取，然后經重采樣和裁剪等處理后獲取最終用于深度學習模型訓練和測試的數據集。

基于顱骨和腦組織在CT值中存在明顯的差異，本研究使用區域生長算法對腦組織進行提?。▓D1）。在區域生長過程中為防止過度生長，先檢測出腦干的位置作為區域生長的一個邊界，算法具體步驟如下：（1）提取顱骨邊界：將CT值高于120 Hu的區域確定為顱骨，并對該區域執行形態學膨脹操作，封閉可能存在的間隙。（2）確定腦干區域：由于腦干區域以下位置的顱骨邊界是一個非封閉的區域，因此首先在前1/3切片的腦組織區域（CT值-20～120 Hu）進行霍夫圓形檢測，計算組織區域與檢測到的圓形的IOU系數，并將IOU系數高于0.8的切片確定為存在腦干（圖2）。（3）確定生長種子點：從后2/3切片中選取前景區域（CT值大于-20 Hu）面積最大的切片的中心為生長種子點。（4）區域生長：從種子點向四周開始生長，生長邊界為（2）中得到的最后一張存在腦干的切片和（1）中提取的顱骨邊界，最終得到腦組織區域的初始掩膜。（5）掩膜邊界外擴：由于（1）中膨脹操作侵蝕了部分腦組織邊緣，因此使用膨脹操作對（4）中得到的腦組織掩膜進行邊界外擴。如果掩膜內部存在孔洞則一并填充。（6）腦組織提?。禾崛⊙谀膮^域作為腦組織區域。完成腦組織的提取之后（圖3），將其中腦組織面積最大的切片用于橢圓擬合，并使用橢圓的長軸的旋轉角對腦組織進行矯正（圖4）。

圖1 腦組織提取算法流程Fig.1 The flow of brain extraction.

圖2 腦干識別示意圖Fig.2 Diagram for brainstem recognition.Image B could be done from image A,which performed tissue extraction,erosion and removal of too-large or too-small areas.The IOU of brainstem position identification was 0.91.

圖3 腦組織提取結果Fig.3 Brain extraction results.The area under the red masked is the brain tissue.There were 28 slices in this case,and the currently selected slice was 2,6,11,18,23,26.The 6th slice was the last brainstem position after identification.

圖4 基于橢圓擬合的旋轉矯正Fig.4 Rotation correction.A:Result of ellipse fitting;B:Result of rotation.

1.3 基于深度學習的顱內出血區域分割

1.3.1 網絡模型設計 本文提出基于深度學習的動脈瘤性顱內出血多類型血腫分割網絡的框架圖和詳細設計圖（圖5～6）。該網絡模型以醫學圖像領域經典的UNet［13］作為主干網絡。經典的UNet網絡中包含編碼器和解碼器兩部分，同層的編碼器和解碼器通過跳層連接進行聯合。由于顱內出血病灶在CT影像中均表現為高密度影，在不考慮出血類型的情況下，其特征是相似的；考慮出血病灶的位置時，可以進一步區分為不同的類型。為了獲得準確的多類型分割結果，應同時考慮其密度特征和其空間位置信息。在本文設計的混合2D/3D特征融合分割網絡中，使用2D-UNet進行密度特征和片內空間信息的提取，通過不區分類型的血腫標簽進行監督；使用3D-UNet進行切片間上下文信息的提取，最后將2DUNet和3D-UNet的特征輸出經過3D的卷積模塊進行特征融合，最后輸出多類型的分割結果。在網絡訓練和預測中，每次選擇一例三維CT影像數據作為輸入，對于2D-UNet，輸入前將不同的切片拆分到Batch上，對于3D-UNet則將其作為一個整體輸入，此時的BatchSize為1。為了將2D-UNet的輸出特征與3D-UNet的輸出特征進行拼接并送入3D卷積模塊進行融合，需要保證二者空間大小一致，故2D-UNet輸出特征的Batch調整到特征的軸向空間。

圖5 混合2D/3D特征融合分割網絡框架圖Fig.5 The framework of 2D/3D segmentation network with feature fusion.

圖6 混合2D/3D特征融合分割網絡設計圖Fig.6 The design of 2D/3D segmentation network with feature fusion.

卷積模塊是CNN的基本組成，本文使用的卷積模塊（圖7A）包括卷積、歸一化和激活函數，在2D UNet中，歸一化函數選擇為BatchNorm；在3D UNet中，由于BatchSize為1，所以歸一化函數選擇為InstanceNorm。

圖7 基本模塊Fig.7 Basic module.

血腫在影像中表現為高密度影，因此在下采樣中加入空間注意力模塊，以增強血腫的特征響應（圖7B）。注意力模塊通過對輸入特征進行不同的權重映射來提升感興趣區域對最終結果的影響?？臻g注意力模塊［14］通過在通道上進行全局最大池化和全局平局池化得到一個與輸入特征空間大小一致的特征圖，然后將特征圖進行拼接，再經過一個卷積層進行通道降維，最終經過Sigmoid層激活（圖8）。上采樣模塊使用反卷積模塊對前一層網絡的輸出特征進行特征層的縮放，然后和跳層連接的特征進行拼接，最后經過卷積模塊進行特征融合（圖7C）。

圖8 空間注意力模塊Fig.8 Spatial attention module.

為了減少模型參數量，2D-UNet和3D-UNet的下采樣模塊只使用3個，同時由于一個數據樣本的切片只有18張，為避免維度過度采樣，在3D-UNet中，只在最后一個下采樣模塊對軸向空間進行下采樣。

1.3.2 損失函數 損失函數作為模型預測結果與目標值誤差的一種度量，可以指導網絡在訓練中的優化方向。一個合適的損失函數可以有效提高網絡預測的準確性。本文使用的損失函數由兩部分構成：加權交叉熵損失和TverskyLoss［15］。交叉熵損失用于描述預測概率的分布模型，加權交叉熵對不同的類型賦予相應的權重，提升交叉熵損失在不平衡數據集中的表現，在多類型的監督中，本文對于非出血區域、SAH、IPH、IVH選用的權重分別為1、5、10、10，在2D-UNet不區分血腫類型的監督中，非出血區域和出血區域選用的分別權重為1、25。TverskyLoss用于描述預測結果與真實目標的集合相似度，其中α和1-α分別控制著假陰性和假陽性的比例；當α為0.5時，TverskyLoss為DiceLoss，由于CT影像中SAH區域密度影較低，易形成假陰性，因此本文中α參數選取為0.75。公式如下：

其中為標簽中第i的像素點為c類的概率，為預測結果中響應像素點為c類的概率。

1.3.3 實驗設置 本文將所有數據按8：2分為訓練集和測試集，即訓練集515例，測試集129例。為保證訓練集中腦組織預處理結果的準確性，人工對腦組織的提取和矯正結果進行復核，測試集不做調整。由于數據量較少，需進行數據增強擴充數據集以滿足訓練的需求?？紤]到大腦的對稱性以及血腫類型與出血的位置相關，因此本文只使用左右翻轉的方式對訓練集進行增強。

在CT影像數據中，不同的窗位和窗寬強調的特征各有側重，如正常腦組織的CT值范圍是28～40 Hu，血腫的CT值范圍是40～80 Hu［16］。為了充分利用不同窗位窗寬內包含的先驗知識，選擇多窗寬窗位構建模型的輸入數據。本文使用5個不同的窗位窗寬，其CT值范圍如下：0～100、10～90、20～80、30～80、40～80 Hu，最后對腦部區域進行歸一化處理。

本研究的運行平臺為：CPU：Intel Xeon E5-1660（3.7GHz）；GPU：NVIDIA GeForce RTX 3060（12GB），DDR3：64GB；Python 3.82，Cuda 10.2。實驗中使用Adam優化器對網絡進行優化；初始學習率設為0.0005，并使用ReduceLROnPlateau策略進行動態調整。

1.4 評價指標

為了客觀評價模型的性能，研究中采用圖像分割領域廣泛使用的Dice系數作為評價指標，其計算公式如下：

其中真陽性（TP）指預測為正樣本，實際也為正樣本；假陽性（FP）指預測為正樣本，實際為負樣本；假陰性（FN）指預測為負樣本，實際為正樣本。

2 結果

2.1 腦組織提取結果

本文在644例未處理的臨床數據上進行實驗,驗證腦組織提取算法的有效性，結果使用Dice系數進行衡量，真實的腦組織分割標簽來自本文算法自動提取并人工修正后的結果。為了體現本文算法的有效性，與ITK中的Skull-Stripping Filter以及FSL-Bet進行對比。本文實驗中Skull-Stripping Filter和FSL-Bet的輸入數據首先進行閾值處理［17］，僅保留CT值大于0 Hu且小于100 Hu的區域，其他區域則置0。對于提取結果進行一定的后處理，包括對腦組織掩膜中的孔洞進行填充以及移除位于顱骨上的掩膜區域。Skull-Stripping Filter、FSL-Bet和本文算法的Dice系數分別為0.952、0.982、0.985；盒子圖結果表明本文算法提取結果中的異常個體較少，算法更穩定（圖9）。

圖9 腦組織提取結果盒子圖表示Fig.9 Box plots for the result of brain extraction(Dice).

2.2 血腫分割結果

為了定量評估模型的性能，本文與原始的UNet網絡（4次下采樣）進行了對比。測試實驗結果顯示（表1）：相對于3D-UNet，2D-UNet對于不區分類型的血腫分割的Dice系數更高，但是由于缺乏三維的空間信息，在IPH和IVH上的分割表現欠佳。本文網絡通過結合2DUNet和3D-UNet，在保證ICH和SAH的分割精度的基礎上，提升了IPH和IVH的分割精度。

表1 血腫分割的表現Tab.1 The results of hematoma segmentation(%,Dice)

實驗結果的定性分析結果顯示，本文算法、2D-UNet、3D-UNet均將SAH成功分割，其結果與真實標簽匹配度均較高（圖10A）。2D-UNet將部分增厚的腦膜視為血腫，3D-UNet中將鈣化區視為血腫（圖10B）。四疊體池的輕微水腫所有網絡模型均識別錯誤，內側裂的輕微水腫區2D-UNet和3D-UNet將其識別為血腫，而在本文網絡中正確識別（圖10C）。由于IPH和IVH血腫區域相距較進，2D-UNet和3D-UNet均出現較大的誤差，本文網絡則能準確區分不同的血腫類型（圖10D）。

圖10 分割結果圖Fig.10 Segmentation result.Red,yellow and blue represent the hematoma of SAH,IPH and IVH.The images from left to right are brain tissue,ground truths,prediction of 2D-UNet,prediction of 3D-UNet and prediction of the model in this article.

3 討論

顱內動脈瘤破裂引起的顱內出血是一種嚴重危及生命的腦血管疾病，其滲出的血液會引起SAH，甚至引起IPH和IVH。頭部CT成像作為當前診斷顱內出血的主要工具在治療中發揮著重要的作用。然而由于頭部CT成像需求的增加［18］，過去15年放射科醫生的工作量增加了1倍［19］。醫生在面對大量繁雜的CT影像時，可能會出現漏診和誤診［20］。

當前已有研究者利用深度學習模型來完成顱內出血的診斷，其中主要包括不區分類型的腦血腫分割［21-27］和出血的分類診斷［25-26］；但針對顱內動脈瘤破裂引起的多類型出血，不區分類型地對血腫進行分割或判斷是否存在某一類型的出血而不分割血腫區域并不能滿足實際的需求，更多需要按類型對出血區域進行分割，然后統計不同類型的出血體積。有學者使用4條并行三維全卷積網絡對不同分辨率的影像數據進行特征提取，最后通過全連接層進行像素級別的分類，該方法在分塊的切片上完成了EDH、SDH和IPH3種類型的血腫分割［27］。Nijiati 等［28］則是在二維的UNet 中增加Transformer來增強全局信息的提取，彌補上下文信息的缺失，最終達到提升多類型分割精度的目的。將血腫分割為多種類型的主要難點在于需要同時考慮切片內的空間信息和切片間的上下文信息。有研究將Mask-RCNN的編碼器部分置換成三維的卷積，但保持解碼器中的二維卷積，利用三維卷積對輸入的5張相鄰切片完成特征信息的提取，最終實現血腫的多類型分割，但在該方法中只是利用相鄰5張切片的空間信息，造成頭部CT影像數據中整體特征的丟失［29］。在顱內血腫分割的研究中，部分研究者直接使用原始的CT影像數據進行血腫的分割［21-22,25-29］，也有部分研究者先進行腦組織提取，然后再進行血腫的分割［3,23-24］。提取腦組織后再進行血腫分割一方面可以提升感興趣區的占比，另一方面可以減少網絡的計算量。目前主要的腦組織提取工具有ITK 中的Skull-stripping filter［31］以及FSL-bet，二者均是為MRI圖像中腦組織提取開發的工具，經過適當的修改［17］可用于CT影像的腦組織提取，但由于CT影像與MRI影像的本質差異，致使提取結果易出現較多的過分割和欠分割區域。

本研究顯示，2D UNet在血腫整體的分割上優于3D UNet，這是由于在2D UNet中網絡參數更少，訓練樣本更多，泛化能力更強，但由于缺失切片間上下文信息在血腫分類上卻不及3D UNet。與其他僅使用二維或三維的網絡不同，本文算法使用混合的2D和3D網絡模型來完成多類型的血腫分割，以完整的三維CT影像數據作為輸入，避免分塊或取部分切片造成的信息缺失；2D網絡著重于切片內部空間信息的提取，3D網絡著重于切片間上下文信息的提??；在編碼器中加入了空間注意力機制，用于強化血腫的特征響應；為了向網絡中加入更多的先驗知識，使用不同的窗位窗寬構建多通道數據作為網絡模型的輸入；使用TverskyLoss作為損失函數，減少SAH的假陰性誤判。為了減少非腦部組織對網絡分割性能的影響，在數據預處理階段使用了一種簡單高效的腦組織提取算法，通過疊加腦干識別，增加生長邊界限制，獲取CT影像數據的腦組織區域；最終實現了從未處理的臨床CT數據預處理到獲取最終多類型血腫分割結果的全自動處理流程。本文以動脈瘤性顱內出血作為切入點，完成了多類型血腫的分割，但沒有對常見的出血部位（如前矢狀裂、后矢狀裂、外側裂、內側裂、鞍上池、環池、四疊體池等）進行精確定位，也未能從分割結果中給出治療建議，這些有待今后研究加以完善。

綜上所述，本研究所提出的算法可以實現臨床治療中較為精確的顱內動脈瘤破裂所引起的顱內出血血腫區域分割，在提高了醫生工作效率，減少了人工成本的同時，為臨床治過程中制定后續的治療計劃提供了新的參考信息。