面向急性缺血性腦卒中的CT 生成MRI 算法

張美美，秦品樂，柴銳，曾建潮，翟雙姣，閆俊義，馮二燕

（中北大學計算機科學與技術學院，山西 太原 030051）

0 引言

腦卒中也稱為中風，是一種腦血管疾病，具有較高的發病率、死亡率和致殘率［1］，其中急性出血性腦卒中（腦溢血）病灶在計算機斷層掃描（CT）上可以明顯看出病灶，疾病檢出率在85%以上［2］，而對于急性缺血性腦卒中（腦梗塞）病灶在CT 上幾乎不可見，臨床醫生需要進一步進行核磁共振成像（MRI）檢測。然而，許多患者由于體內植入金屬等原因無法進行MRI 檢測，且獲得MRI 費用高昂、耗時長，容易使患者錯過最佳治療時間，影響預后生存質量。在這種情況下，若能使用患者的CT 影像生成MRI 影像，將在急性缺血性腦卒中的及時診斷和治療中起到至關重要的作用。

隨著深度學習的發展，基于深度學習的方法在CT 到MRI 跨模態圖像生成方面取得了較好的效果。文獻［3］利用多種深度學習方法從腦部CT 生成MRI，并發現有監督的U-Net 網絡生成MRI 更具有臨床意義。文獻［4］利用深度學習從CT 灌注（CTP）成像中提取特征生成MR 圖像，并在生成的MR 圖像上分割病灶，分割結果在ISLES2018 挑戰賽達到最優。文獻［5］用急性缺血性腦卒中患者的醫學影像建立了從CT 生成MRI 的生成對抗網絡（GAN），并利用生成MRI 完成后續病灶檢測任務。文獻［6］則將影像組學與GAN 相結合，將病灶和CT 圖像串聯輸入生成器，生成與真實MRI 相似的圖像，用于急性缺血性腦卒中的病灶檢測。盡管GAN 模型在醫學跨模態中有良好的表現，但GAN 本身可解釋性很差并且訓練不穩定。最近提出的擴散模型不存在GAN 網絡的可解釋性差與訓練不穩定的問題，且在醫學影像跨模態生成中也有了初步的應用。文獻［7］通過擴散模型實現了從MRI 到CT 兩種模態的轉換問題。隨后，文獻［8］基于SDE 提出一種統一的多模態條件評分生成方法（UMM-CSGM），將MRI 剩余模態作為條件，生成具有更高保真度和腦組織結構信息的缺失模態圖像。文獻［9］提出一種對抗擴散模型Syndiff 實現多模態醫學影像轉換，基于對抗擴散模型，引入周期一致性體系結構，實現在未配對數據集上的醫學影像多模態轉換。而對于急性缺血性腦卒中CT 生成MRI依然有以下2 個問題：1）急性缺血性腦卒中病灶在CT上的病灶信息遠少于MRI，因此急性缺血性腦卒中CT 生成MRI為從低信息量圖像生成高信息量圖像的無約束問題；2）由于CT 圖像自身存在對比度低、邊緣模糊以及紋理結構不清晰等問題，使得在提取特征時難以提取到弱邊緣與弱紋理信息，導致生成MRI 的邊界模糊。

為了解決上述問題，本文提出基于影像組學和擴散生成對抗網絡的急性缺血性腦卒中CT 生成MRI算法，在擴散生成對抗網絡中通過組學模塊在CT 上劃分病灶候選區，定位病灶，使模型更關注病灶部位。針對圖像邊緣模糊問題，引入梯度損失增加邊緣感知約束，使生成的MRI 邊緣清晰，主觀效果更好。首先在CT/MRI 配對的數據集上，使用CT 在病灶位置提取組學特征，篩選出一組相關性較弱的影像組學特征。然后在實際使用中利用這組特征在病灶未知的CT 上通過多尺度錨框的方式，選擇特征差異最大的一個錨框，作為病灶候選區域并生成特征圖，將特征圖與CT 共同輸入模型。最后將梯度損失引入到對抗擴散模型的生成器中，從圖像邊緣上約束生成的MRI，提升生成的MRI的圖像質量。

本文的主要貢獻總結如下：

1）提出基于影像組學與擴散生成對抗網絡的急性缺血性腦卒中CT 生成MRI 算法，以解決CT 生成MRI 缺乏病灶信息以及邊界模糊問題。

2）通過多維影像組學特征從急性缺血性腦卒中患者的CT 上準確定位病灶，解決生成MRI 的病灶信息不可見問題；引入梯度損失增強生成MRI 的邊緣，使生成的MRI 主觀效果更好。

1 相關研究

1.1 影像組學

影像組學由文獻［10］提出，是一種計算機輔助的過程，能夠以客觀、可重復和高通量的方式從醫學圖像中提取大量的定量特征，如形狀、強度和紋理。影像組學的工作流程包括4 個步驟，即選取數據以確定問題、獲取感興趣的區域（ROI）、提取特征和選擇特征并建立模型。提取的特征通常分為4 個類別，即形狀、一階、二階和高階特征，其中形狀、一階、二階特征分別對ROI 從形態特征、像素灰度分布、紋理特征3 個方面提取不同的組學特征；高階特征表示將空間信息轉換為小波特征方向的頻率和尺度信息后再提取組學特征。其中紋理特征是影像組學中使用最廣泛的特征［11］。為了防止特征之間相互冗余導致模型泛化性和魯棒性降低，通常使用ICC/CCC和Pearson/Spearman 相關系數來過濾重復冗余的組學特征［12］。

隨著深度學習和影像組學的發展，影像組學在腦卒中診斷、治療和預后3 個方面有廣泛的應用。急性缺血性腦卒中在CT 上缺血區域的變化無明顯表征，但通過影像組學方法可以發現梗死區域與正常組織的差異。文獻［13］發現通過提取影像組學紋理特征能夠揭示缺血性病變的結構變化，并得出紋理分析是輔助檢測慢性缺血性病變的有效工具。文獻［14］通過100 名老年人的不同腦組織數據，根據影像組學特征可以識別既往腦卒中病變，得到模型的曲線下面積（AUC）大于0.7。文獻［15］提取了急性缺血性腦卒中病變區域的組學特征，并預測了溶栓的難度。此外，提取的9 個特征可以預測溶栓的成功率，AUC 為0.88。文獻［16］利用影像組學從CT 中提取急性缺血性腦卒中病灶的特征，并建立了10 個機器分類模型來驗證所提取特征的有效性。他們證實CT 可檢測出急性缺血性腦卒中病灶，病變區與正常區在組學特征上有明顯差異。因此，通過影像組學對急性缺血性腦卒中患者的CT 進行紋理分析，可以確認病灶的位置信息。

1.2 擴散生成對抗網絡

目前，基于GAN 與擴散模型在醫學圖像生成上有大量應用。文獻［17］基于GAN 提出3DGAN 從MRI 生成CT，解決了圖像錯位的問題，但需要大量很難獲得的MRI/CT 配對數據集。文獻［18］對生成圖像與輸入圖像的結構一致性進行計算，引入結構一致性損失函數，提出sc-CycleGAN，利用未配對數據集從MRI 生成CT，得到的生成CT 在相似性與視覺質量上均高于其他方法。文獻［19］將條件生成對抗網絡（cGAN）與全卷積神經網絡相結合從CT 生成正電子發射型斷層掃描（PET），降低病變檢測的漏報率。文獻［20］將對抗網絡與非對抗損失相結合提出MedGAN，應用于CT 和PET 的相互轉換。文獻［21］基于生成對抗網絡實現乳腺MRI的圖像生成，使得生成的MRI 包含更清晰的病灶細節全局圖。文獻［22］針對醫學圖像數據集少的問題，通過改善判別器魯棒性提出一個基于魯棒條件生成對抗網絡的醫學圖像生成模型。文獻［7］利用擴散模型實現從MRI 到CT兩種模態的轉換，得到的結果在結構準確性與視覺質量方面優于CNN 和基于GAN 的方法。文獻［8］基于擴散模型將部分模態作為條件生成缺失模態，該模型可以生成具有高保真度、準確的腦組織結構信息的缺失模態圖像。文獻［23］基于擴散模型生成具有特定條件的MRI，并從生成的MRI中檢測并分割大腦中的異常區域。文獻［9］提出一種對抗擴散模型SynDiff實現多模態醫學影像轉換，將對抗擴散模型應用于醫學影像多模態轉換，為了加快采樣速度，在反向過程中使用GAN 模型來估計每個步驟的去噪圖像并引入一種周期一致的體系結構，允許在未配對數據集上進行訓練。然而，以上研究多數為高信息量圖像生成低信息量圖像的算法。因此，本文在擴散生成對抗網絡的基礎上進行改進，實現急性缺血性腦卒中從低信息量CT 生成高信息量MRI的無約束模態轉換。

1.3 影像組學與生成模型相結合的應用

目前，一些研究將影像組學與GAN 相結合來解決醫學領域中的難題。影像組學特征可以作為GAN 的先驗來提高生成圖像的真實感。文獻［6］將影像組學與GAN 相結合，對急性腦卒中CT 病灶區域提取組學特征，將其作為先驗輸入到GAN 網絡中實現CT 到MRI 的模態轉換。文獻［24］使用GAN 模型與影像組學相結合的方法實現多任務，對肝硬化患者分級任務是否為AUC 大于0.8 來鑒別肝硬化，最終結果為AUC 大于0.86。文獻［25］在GAN 中間步驟引入影像組學特征，保證生成的病變與真實病變之間紋理一致性，有助于生成接近真實肺部病變的數據。生成對抗網絡可以作為預處理步驟，提升影像組學特征在不同任務下的表現。文獻［26］為了提高低劑量CT 在不同任務中的性能，將cGAN 作為生成模型，生成全劑量CT 圖像，分別從原始CT 與生成CT 中提取組學特征建立模型，用于肺癌診斷與生存預測。

2 本文方法

對抗擴散模型［9］將擴散模型與GAN 相結合應用于醫學影像MRI 之間模態轉換。但是，MRI 之間包含的信息量近似相等，而CT 生成MRI 是從低信息量圖像生成高信息量圖像問題，因此使用CT 生成MRI更具有挑戰性。通過影像組學在CT 上定位病灶作為CT 生成MRI 的信息補充，有助于提升生成MRI病灶區域的準確性［6］。因此，本文提出一種基于影像組學和擴散生成對抗網絡的急性缺血性腦卒中CT 到MRI 跨模態生成算法。

本文算法的總體結構如圖1 所示（彩圖效果見《計算機工程》官網HTML 版，下同），主要由兩部分組成：組學模塊［見圖1（a）］和擴散生成對抗模塊［見圖1（b）］。組學模塊對CT/MRI配對數據集的CT 腦卒中病灶部位提取組學特征后篩選獲得多維組學特征組，利用多維組學特征組在病灶未知的CT上獲得病灶候選區。擴散生成對抗模塊將病灶候選區可視化的特征圖與CT相結合生成有病灶信息的MRI。

圖1 本文算法總體結構Fig.1 Overall structure of algorithm in this paper

2.1 組學模塊

急性缺血性腦卒中病灶在CT 上表現不明顯。研究表明，病灶組織與正常組織的組學特征有明顯差異，但是CT 上的病灶位置是未知的，無法在CT 上通過影像組學準確地將病灶分割出來。但是，使用多尺度錨框的方法，通過CT 上錨框之間組學特征的差異劃分出一個病灶候選區是可行的［6］。因此，本文首先將真實病灶作為ROI 在CT 上提取影像組學特征，通過特征選擇得到一組最能代表病灶位置的特征，最后利用未知病灶的CT 錨框間的特征差異選擇出一個病灶候選區域，如圖1（a）所示的組學模塊。

2.1.1 特征提取

將真實病灶作為ROI 在CT 上使用PyRadiomics提取影像組學特征，共提取出病灶的組學特征1 325 個，去除無用特征，最終得到1 283 個特征。

2.1.2 特征篩選

信息熵是篩選特征的常用指標，表示在一定條件下不確定性的遞減。特征包含信息量越大，特征越重要。計算特征信息量的方法如下：

其中：X表示特征值；Y表示隨機變量是否為病灶；IIG(Xi，Y)表示信息增益（IG）在特征X的情況下事件Y的不確定性降低的程度。分別計算每個特征對應的信息增益，通過不同的閾值選擇的特征個數如表1所示。信息增益大于0.4 的組學特征共有10 個，如表2 所示。通過初步篩選后，計算這10 個特征兩兩間的皮爾遜相關系數，篩選出線性相關性最弱的特征作為在CT 上選擇候選區域的依據，圖2 所示為特征相關性的熱力圖。

表1 信息增益閾值篩選組學特征 Table 1 Information gain threshold filter radiomics features

表2 信息增益大于0.4 的組學特征 Table 2 Radiomics features with information gain greater than 0.4

圖2 組學特征相關性熱力圖Fig.2 Correlation heat map of radiomics feature

相關系數的計算公式如下：

其中：X和Y表示特征；xi和yi表示特征值；表示特征的均值。一般地，認為當相關系數|r| ≥0.8 時，表示2 個變量之間高度相關。組學特征相關性系數大于0.8 的特征對分別為：ρF4F5=1，ρF3F6=0.98，ρF4F7=0.97，ρF5F7=0.97，ρF8F9=0.94，ρF2F9=0.88，ρF2F8=0.83，ρF2F7=0.82，ρF1F9=0.81。綜上，可以將所有特征分為3 組：F1，F2，F4，F5，F7，F8，F9；F3，F6；F10。第1 組 中F1的信息增益最大，因此從第1 組中選擇F1；第2 組中ρF1F6=0.22，相關性極弱，因此從第2 組中選擇F6；第3 組中選擇F10。最終選擇F1、F6和F103 個特征作為多維影像組學特征組。

2.1.3 病灶檢測

影像組學特征在腦卒中患者CT 病灶上有明顯差異，但由于病灶位置未知，因此通過多尺度錨框的方法在CT 上劃分病灶候選區域。為了提升病灶檢測效率，將病灶未知的CT 分為4 個區域，分別對4 個區域提取組學特征計算區域對應的特征值Fvalue。Fvalue計算公式如式（5）所示：

其中：α、β和γ為比例系數，由表2 中F1、F6和F10對應的信息增益歸一化后得出。由于病灶與正常組織在CT 上的差異較為明顯，因此當4 個區域內某區域特征值與其他3 個區域差異明顯時表示該區域內包含病灶。區域之間的特征差異性使用方差進行量化，方差公式如式（6）所示：

其中：i表示區域序號；n表示區域個數；表示除i區域外其余區域的特征均值；xj表示j區域內的特征值。當Di(X)最小時說明i區域為特征差異最大的區域，表示當前i區域內包含病灶。在i區域內生成多個尺度在0.15～0.8 之間的錨框，分別計算各個錨框的特征值，并計算各個錨框特征值的差異，選出差異最大的錨框作為病灶候選區。

2.2 擴散生成對抗模塊

擴散生成對抗模塊由前向過程與反向過程組成。為了加快擴散模型的采樣速度，在前向過程的中大步長中加入噪聲。

前向過程：在輸入圖像x0～q(x0)上重復T步，添加步長為k的高斯噪聲，第t步的圖像樣本表示為xt～q(xt|xt-k)。用公式可以表示為［9］：

其中：γt表示噪聲方差；k表示步長；T表示添加噪聲的步數表示噪聲方差指數的上界和下界。真實MRI 的前向過程如圖1（b）中的前向過程所示，其中第t步的 MRI 分布表示為：

生成器（G）的網絡結構如圖3 所示。輸入圖像與輸出圖像之間雖然表達的信息不同但存在潛在的關系，因此，生成 器網絡使 用UNet［27］網絡，增加跳躍連接獲得高級語義信息，從而提高生成圖像的質量。生成器共由6 個下采樣塊（DownSample Block）與6 個上采樣塊（UpSample Block）組成。如圖4（a）所示，下采樣塊由3 個殘差塊與1 個3×3 卷積塊組成；上采樣塊則由4 個殘差塊組成，如圖4（b）所示；殘差塊［28］（ResBlock）結構如圖4（c）所示，其中Sample 表示采樣，當ResBlock 處于下采樣塊中時表示為下采樣操作，當處于上采樣塊中時表示為上采樣操作；時間塊（Time Block）表示時間t通過32 維正弦位置編碼（Time embedding）后經過兩層全連接（linear）層［29］，得到時間嵌入（temb），再通過全連接（linear）將temb 與殘差 塊（ResBlock）特征圖的通道、分辨率匹配，最后將temb 加入到殘差塊中，如圖4（d）所示。鑒別器網絡結構由6 個下采樣塊的卷積主干組成。每個下采樣塊由2 個殘差塊組成，并將特征圖分辨率減少1/2。時間嵌入的方法與生成器的嵌入方法相同。

圖3 生成器網絡結構Fig.3 Network structure of generator

圖4 生成器部分模塊結構Fig.4 Structure of generator partial module

2.3 損失函數

本文將擴散模型的前向加噪過程加入到GAN 網絡中，生成器生成經過加噪擴散過程后得第t-k步的MRI分布為真實的 MRI 擴散第t-k步 的 MRI 分布為模型的損失函數如下：

其中：G 表示生成器；D 表示鑒別器；E表示隨機變量概率分布的期望，t～U({0，k，…，T})；表示真實MRI加噪第t步的圖 像樣本；代表鑒別器鑒別真實圖像為真的概率；代表鑒別器鑒別生成圖像為真的概率。

為了讓生成MRI 與真實MRI 更接近，在GAN 網絡對抗損失的基礎上加入L1損失，從像素上對圖像全局進行約束。L1損失如下：

其中：‖ ‖·1表示L1 范數。為了學習到MRI 圖像上更多的邊緣信息，使生成的MRI 在邊緣上更加接近于真實MRI，于是引入梯度損失LGDL，公式如下：

模型總體損失函數Ltotal由LGLD對抗損失函數、L1全局損失函數以及LGDL梯度損失函數組成。Ltotal定義如下：

其中：λ1、λ2為損失函數的加權系數。

3 實驗結果與分析

本節在ISLES2018 數據集中進行實驗，以驗證本文方法的有效性。本節主要分為以下4 個部分：數據集與實驗設置，評價指標，模型評估以及消融實驗。

3.1 數據集與實驗設置

本文數據集來自ISLES2018 挑戰賽，包含有103 例急性腦卒中患者的數據，這些患者在急性缺血性腦卒中發作后8 h 內就診，并在CTP 成像后3 h 內接受MRI（DWI）。訓練集中有63 例病例，每個病例均有原始CT、4 張CTP 參數圖、DWI 和1個由醫生手工劃定的病變區域標簽。測試集包含40 例患者，不包括DWI 與病變區域標簽。本文實驗中只用到了訓練集中CT 與MRI 2 個模態的配準數據，以及超過10 年經驗的中風專家手工劃定的病灶。去除訓練集中無病灶的數據后，共211 個樣本，以6∶2∶2 的比例分割數據，分別作為本模型的訓練集、驗證集與測試集。

本文的實驗基于Tython3.8.10 的深度學習工具PyTorch1.12.1 開發。模型訓練使用Ubuntu 64 bit NVIDIA Station 服務器，配備了Intel Xeon E5 2620 v4處理器，128 GB 內存以及4 臺Tesla V100 顯卡，每個顯卡有32 GB 顯存。模型訓練生成器G 和鑒別器D 訓練450 個epoch，輸入輸出圖像大小為256×256 像素，優化器使用Adam，學習率為10-4，T為1 000，步長k為250，則總共有，噪聲方 差上下界為

3.2 評價指標

急性缺血性腦卒中CT 生成MRI 要與真實MRI比較，定量分析生成MRI 的圖像質量。本文使用峰值信噪比（PSNR）、結構相似性指數（SSIM）、Pearson相關系數（PCC）3 個指標評價生成的MRI。為了評估生成的MRI 中病灶的準確性，還對生成MRI 中病灶部位與真實病灶部位使用互信息（MI）評價生成病灶的真實性。

PSNR 通過計算生成圖像與真實圖像之間像素誤差的全局大小來衡量圖像質量好壞，生成圖像質量越好，值越大。SSIM 表示相鄰像素之間的關聯性，是全局的圖像相似性的評價指標，圖像相似度越高，值越大。PCC 表示生成MRI 與真實MRI 之間的相關性，如果兩者之間相關性的絕對值大于0.8，則認為兩者高度相關。

這些評價指標廣泛應用于CT 到MRI 轉換的任務，定義如下：

其中：n表示圖像像素總數；MMAX表示真實MRI 與生成MRI 之 間最大的像素 值；μx和μy表示真 實MRI 與生成MRI 像素值的均值；表示真實MRI 與生成MRI 像素值的方差；c1與c2為兩個穩定算法的常數；ρXY中的X和Y表示真實MRI 與生成MRI；xi和yi表示真實MRI 與生成MRI 的像素值；-X和-Y表示像素的均值。

同時為了驗證生成MRI 與真實MRI 在病灶區域內的相似性，本文引入MI 評價生成MRI 的病灶區域的真實性。MI表示生成MRI病灶區域內的病灶信息與真實MRI 病灶區域內的病灶信息的相似性，MI 越大表示真實病灶區域與生成病灶區域越接近，相似性越高，生成的病灶越真實。定義如下：

其中：MMIX，Y表示生成MRI病灶區域與真實MRI 的病灶區域之間的互信息；pX，Y(x，y)表 示2 個區域 之間像素的聯合分布；pX(x)、pY(y)分別表示生成MRI的病灶區域與真實MRI 的病灶區域像素的邊緣分布。

3.3 對比實驗

為了驗證本文急性缺血性腦卒中算法的性能，選取3 種當前流行的MRI 生成網絡Syndiff［9］、CycleGAN 和Pix2pixRes［6］與本文方法進行比較。本文將組學獲得的病灶候選區作為先驗信息輸入模型，從而使生成的MRI 中呈現病灶，同時利用梯度損失函數對生成的MRI 進行整體約束，使其邊緣細節更接近真實圖像。評估指標結果如表3 所示，其中，表3 分別對生成MRI 全圖（ALL MRI）和病灶區域（Lesion area）進行評估。此外，生成結果可視化如圖5 所示，使用差異圖和病灶細節圖作為輔助信息，直觀地顯示了真實MRI 與生成MRI 之間的差異。在所有方法中，本文方法對生成MRI 圖像整體與病灶區域的評估指標均為最佳，這表明生成MRI 的圖像質量以及病灶區域與真實病灶區域相似度均有優秀的表現。此外，本文方法生成的MRI 差異圖顏色最淺，表明本文方法生成的結果與真實結果高度相似，優于其他方法。

表3 對比實驗定量分析 Table 3 Comparative experiment quantitative analysis

圖5 對比實驗可視化結果Fig.5 Visualization results of comparative experiments

3.4 消融實驗

本文通過3 組消融實驗和1 組可視化對比實驗，驗證組學模塊在CT 上定位病灶候選區域（組學特征圖fmap）和梯度損失LGDL的有效性。評估指標結果如表4所示，表中包括對MRI 整體（ALL MRI）以及病灶區域（Lesion area）的評估，其中，+GDL 表示在DiffusionGAN 的模型上加入梯度損失，+fmap表示在DiffusionGAN 的模型上加入病灶特征圖，可視化對比實驗結果如圖6 所示，圖中奇數行每列分別表示CT、fmap、RealMRI以及DiffusionGAN、加入梯度損失、加入特征圖和兩者全部加入生成MRI，偶數行表示對應方法生成MRI與真實MRI之間的差異圖。

表4 消融實驗定量分析 Table 4 Ablation experiment quantitative analysis

圖6 消融實驗可視化結果Fig.6 Visualization results of ablation experiment

1）組學模塊病灶特征圖有效性驗證。將組學模塊得出的fmap作為通道與CT 輸入模型，指導CT 生成MRI，使模型更關注病灶部位。為驗證組學模塊得出的組學特征圖fmap的效果，將fmap添加到DiffusionGAN 中。從表4可以得出，此時病灶部位的指標MI 有明顯提升，從圖6（f）與圖6（d）可以看出，加入fmap后生成的結果中病灶位置正確，病變明顯且差異圖的病灶區域顏色明顯變淺，表明加入特征圖后生成圖像的病灶部位與真實病灶部位接近。

2）梯度損失的有效性驗證。梯度損失LGDL的引入使生成MRI 邊緣更接近真實MRI。如表4所示，引入LGDL后生成MRI 的結構相似性指標SSIM有明顯提升。由圖6（e）與圖6（d）可以看出，生成的MRI 的邊緣部位更加清晰，差異圖中邊緣部位的顏色明顯變淺表示生成MRI 與真實MRI 更為相似。

3）組學特征圖fmap與梯度損失LGDL同時作用的效果驗證。為驗證組學特征圖fmap與梯度損失LGDL同時作用的效果，將兩者都添加到DiffusionGAN中。從圖7 損失函數可以看出，將兩者同時加入模型可以加速模型收斂。

圖7 損失曲線Fig.7 Loss curve

從表4 可以看出生成MRI 在整體上和病灶部分均為最優。生成MRI 可視化結果如圖6（g）所示，生成的圖像與真實MRI 差異很小，病灶明顯，病灶位置正確，病灶形狀相似，可作為醫生診斷的參考。

綜上所述，本文方法在保證生成MRI 圖像質量的同時，有目的地突出病灶區域的特征和MRI 圖像邊緣的保留，使生成MRI 與真實MRI 相似，這得益于組學模塊與梯度損失函數的設計。

3.5 醫生陽性/陰性鑒別

通過3 名放射科醫生分別對測試集上CT、生成MRI（S_MRI）、CT 與S_MRI 相結合3 種情況做出陽性/陰性診斷。陽性表示發現腦卒中病變，陰性表示未發現腦卒中病變。3 名醫生來自太原市中心醫院，分別有10 年、5 年和3 年的放射科經驗。3 種情況下的準確率如式（21）所示：

其中：TTP與TTN表示陽性/陰性分類正確的樣本個數；FFP與FFN表示陽性/陰性分類錯誤的樣本個數。醫生珍斷得出的準確率如表5 所示，在加入特征圖以及梯度損失后本文生成的MRI 與CT 相結合后腦卒中的檢出率與準確率有了明顯提升，表明本文方法生成MRI 可以提高診斷準確率。

表5 陽性/陰性診斷的準確率Table 5 Accuracy of positive/negative judgment %

4 結束語

急性缺血性腦卒中病灶在MRI 上較CT 更加敏感，多數病灶可在MRI 上清晰呈現。然而由于MRI的耗時性以及其特殊場景的不可獲得性（患者體內有金屬植入物等），使得MRI 的應用受到了很大限制。本文將擴散模型與GAN 相結合并引入影像組學，提出基于影像組學與擴散生成對抗網絡的急性缺血性腦卒中CT 生成MRI 的算法。從CT 中獲得急性缺血性腦卒中病變的組學特征，通過特征篩選得到一組特征線性無關組表示這一病變的組學特征。根據特征線性無關組在CT 上使用多尺度錨框的方式選擇病灶候選區域，提取病灶候選區的組學特征作為特征圖與CT 輸入到擴散生成對抗網絡中。在生成器中引入梯度損失函數，在全局上約束生成MRI 保留真實MRI 的紋理細節信息。實驗結果表明，生成的MRI 上可以明顯看到病變，能夠為醫生的診斷治療提供參考。然而受限于設備成本、病人隱私等，急性缺血性腦卒中數據很少，因此需要更多患者對模型進行測試，以驗證模型的有效性與魯棒性。下一步可將患者的臨床診斷信息與影像信息相結合，從而提升組學模塊對病灶定位的準確性。在臨床中，急性缺血性腦卒中的病灶由中心壞死區與半暗帶組成，及時進行保護有可能使半暗帶區域存活下來，未來將通過生成MRI 將病灶區域準確分割，區分壞死區與半暗帶區域。