基于深度学习的脑卒中病灶分割系统研究

周升海 马平川 陆奇傲 崔丽媛

摘  要： 为了改善人工描绘缺血性脑卒中病灶的主观差异性，提升诊断缺血性脑卒中的速率和精确度，本研究基于Attention U-Net深度学习模型搭建深度学习自动分割系统，将DWI、ADC等多模态磁共振影像作为系统输入并提取病灶的多层次特征，获得自动分割结果。结果显示，该系统的Dice可达到0.91，IoU达到0.93，远远优于U-Net算法。该系统可以辅助放射科医生进行脑卒中缺血区域定位，从而改善患者的临床结局。

关键词： 缺血性脑卒中； 磁共振； 深度学习； Attention U-Net

中图分类号：TP391.7          文献标识码：A     文章编号：1006-8228（2023）05-85-03

Study of the stroke lesion segmentation system based on deep learning

Zhou Shenghai， Ma Pingchuan， Lu Qi'ao， Cui Liyuan

（School of Medical Imaging， Hangzhou Medical College， Hangzhou， Zhejiang 310053， China）

Abstract： In order to improve the subjective difference of manual depiction of ischemic stroke lesions and enhance the diagnosis rate and accuracy of ischemic stroke， in this paper， a deep learning automatic segmentation system is built based on the Attention U-Net deep learning model， which takes multimodal magnetic resonance images such as DWI and ADC as the system input and extracts the multilevel features of lesions to obtain automatic segmentation results. The results show that the Dice of the system can reach 0.91， and the IoU can reach 0.93， which is far superior to the U-Net algorithm. The system can assist radiologists in locating ischemic areas of stroke， thus improving the clinical outcomes of patients.

Key words： ischemic stroke; magnetic resonance image; deep learning; Attention U-Net

0 引言

腦卒中，又称脑梗，是我国最为常见的急性脑血管疾病。全球疾病负担研究（GBDS）数据显示，我国总体卒中发病风险为39.9%，居全球首位，是成人致死、致残的关键病因[1]。脑卒中主要分为脑血管狭窄/堵塞引起的缺血性脑卒中和脑血管破裂导致出血性卒中这两种类型，其中急性缺血性脑卒中（Acute Ischemic Stroke，AIS）占了脑卒中患者的87％[2]。

对于急性缺血性脑卒中患者，尽快再通闭塞血管，恢复脑组织供血是最直接、最有效的办法。在发生急性缺血性脑卒中的黄金时间窗3.5小时内，放射科医生应快速手动定位责任病灶，并精确评估缺血核心体积；治疗上采取静脉溶栓的治疗方式。必要时对于符合DEFUSE３及DAWN研究纳入标准的患者可采取动脉取栓治疗，阻止缺血性脑血管病进一步发展，减轻脑组织的损伤[3]。然而，在不同诊疗环境下，会引入观察者间的主观差异性，这既费时又费力。

人工智能（Artificial Intelligence，AI）可以模拟人脑神经网络，自动提取像素级图像的特征，从而客观、快速、精确地评估病灶。该方法具有可重复、可扩展等优点，可以为医生临床诊断与决策提供更全面的临床依据，降低缺血区域恶化风险，实现智能辅助诊疗[4]。

1 系统设计

基于深度学习的脑卒中病灶分割系统是由卒中影像数据库、深度学习决策引擎、云端服务器、智能影像分析工作站、数字化影像采集终端五部分构成，该分割系统如图1所示。

卒中影像数据库由缺血性脑卒中患者多模态磁共振数据组成，包括弥散加权成像（Diffusion Welghted Imaging，DWI）、表现扩散系数（Apparent Diffusion Coefficient，ADC）、灌注加权成像（Perfusion Weighted Imaging，PWI）、T1WI和T2WI。数据均由带有十二通道相控阵头线圈的 Siemens Verio 3.0 Tesla MRI 扫描仪采集。在扫描过程中，要求受检者仰卧闭眼，头部固定，保持清醒。其中，表现弥散系数ADC由MRI工作站从DWI图像计算得出。DWI矩阵大小为192×192，切片厚度5.0mm，切片间距6.5mm，重复时间3600ms，回波时间102ms，翻转角90°，扫描野229×229mm，b值1000s/mm2。PWI矩阵大小256×256，切片厚度5.0mm，切片间距6.5mm，重复时间1520ms，回波时间32ms，翻转角90°，扫描野230×230mm。

数据标签主要由三名经验丰富的放射科醫生结合DWI、ADC和PWI手动标注。先由每位放射科医生单独标注，再联合标注，意见不统一时，通过讨论达成共识，得出准确标注结果。

深度学习决策引擎采用Tensorflow 1.14版本深度学习框架，Adam（Adaptive Moment Estimation）优化算法，以及集成了U-Net分割网络和Attention注意力机制。该集成网络整体结构仍呈“U型”，由收缩路径（编码器）和扩张路径（解码器）组成[5]。不同的是，在解码部分的采样后，拼接了三个注意力门控，从而得到分割输出图像。经过注意力门控处理后得到的特征图像包含不同空间位置的重要信息，使得模型能重点关注某些目标区域。该集成模型能够抑制脑部MRI中的无关区域，通过组合突出特定的底层特征形成更加抽象的高级语义，自动提取像素级别的特征，从而获得更佳的责任病灶分割结果。脑卒中病灶分割系统相较人工肉眼观察法更加客观、快速、精确。

云端服务器是一个用于搭载和运行深度学习模型的线上平台。其特点是不受硬件故障的影响，其以出色的访问速度，便捷的操作方法，稳定运行完成训练深度学习模型的SDK封装包，并部署在云端服务器上。在任何时间地点，与不同计算机操作系统互相连接，调用图像分割结果。该服务器可设置Dice值低于0.5的图像重新退回卒中影像数据库，进行模型校正，提升分割准确性。

智能影像分析工作站包含了图像前期处理模块、分割模块和图像后处理模块，同时支持Windows和 Linux 操作系统。工作站将多个深度学习模型封装成适配不同类型服务器的 SDK，将其部署在云端服务器上，使用独立API，通过网络远程连接服务器调用深度学习模型。其中，图像预处理包括图像归一化、图像配准、去除颅骨等非脑组织、图像扩增和图像增强等操作。预处理操作目的是降低模型过拟合的几率，提升输入影像的质量，使深度学习得到更好的鲁棒性，从而提升模型泛化能力，提高分割准确率。分割模块包括FCN、U-Net、DeepLabV1、BiseNet、Attention U-net等算法选择套件[6-7]，五种模型封装在图像分割系统中，并将分割结果输出到图像后处理模块；图像后处理模块包含图像窗宽窗位调节，放大缩小、旋转测量、智能裁剪、标签制作、面积测量、图像显示等功能，为放射科医生提供可视化高精度病灶特征。

图像后处理中，人工智能分割效果评估通过真阳性率（RTP）、假阳性率（RFP）、相似度（Dice）、交并比（IoU）四类指标来评价模型的分割结果，公式如下：

[RTP=Am∩AaAm]  ⑴

[RFP=Am∩Aa-AmAm]  ⑵

[Dice=2Am∩AaAm+Aa]  ⑶

[IoU=Am∩AaAm∪Aa]  ⑷

其中，Am为医生手动分割结果，作为标签；Aa为算法分割结果，代表模型预测结果；RTP的大小表示医生手动分割与计算机分割结果的覆盖率，其值越大，表示覆盖率越高；RFP的值表示Aa含有背景面积的比例，其值越小，分割效果越好；Dice表示两个样本的相似度，其值越大，说明Am和Aa越相似；IoU用来衡量两个集合的重叠程度。IoU为0时，表示预测结果与标签不重叠，无交集。IoU为1时，表示预测结果与标签完全重叠。

数字化影像采集终端主要为县级以上地区的放射科人员、影像医生、脑卒中神经科专家等服务，通过计算机将脑部MRI影像上传至云端服务器，即可判断该影像中缺血性脑卒中核心缺血范围和可挽救脑区范围，为医生提供溶栓或取栓的决策依据。

2 实验结果及讨论

本系统选举了100例缺血性脑卒中患者的MRI多模态影像（DWI，ADC，PWI），并将数据集以7：2：1的比例进行训练、验证和测试，采用Adm优化器进行模型的优化，采用五折交叉验证的方法对Attention-Unet模型进行五次整体训练和测试，取五次结果的平均值作为最终结果。结果显示，系统的最优分割结果Dice 值为0.91，IoU达到0.93，RTP达到0.89，RFP达到0.94。

为了进一步验证Attention U-net模型对于该数据集的适用性，本研究在系统中添加了FCN、U-Net、DeepLabV1、BiseNet四种模型进行对比试验，其分割指标如表1所示。

由表1可以看出，基于全卷积网络FCN分割效果略差，虽然该方法将传统CNN最后的全连接层换成了卷积层，但由于分割结果的每个值映射到输入图像上的感受野窗口是固定的，无法获得缺血性脑卒中多层次特征，分割图像误差较大。DeepLab和BiseNet分割性能有所提高，DeepLab使用空洞卷积增加特征提取感受野，条件随机场解决边界分割问题。BiseNet通过注意力机制自适应选择合适的特征，将空间信息保存和感受野提供的功能解耦为两条路径，最终形成分割图像。然而，由于DeepLab和BiseNet结构庞大、复杂和脑卒中数据量不足等问题，计算量增加，分割效率低，易产生过拟合现象。U-net模型通过编码-解码结构融合不同层级的病特征，有效的提升了小数据集病灶分割的效果，IoU达到了0.90。Attention U-net模型将注意力机制模块融入U-net网络解码部分时，不仅没有增加过多的计算量，而且更好地提取并突出前景对象的类别和位置，凸显缺血性病灶区域特征，提升了模型的准确率和敏感性。最终模型的IoU达到0.93，分割效果对比U-net显著提升。

如图2所示，（a）-（c）幅图像表示测试集中3例病人DWI序列的断层图像，（d）-（f）表示Attention U-Net模型缺血性脑卒中分割结果图像。缺血病灶在DWI序列上显影为高信号，其中缺血区域分别集中于基底节区、楔叶区和蛛网膜下腔部位。可见，Attention U-Net模型分割可以精确定位出缺血的病灶，并细化分割出缺血区域的轮廓。但是，由于缺血区域呈不规则状，对图2（b）中小缺血区域的分割略有不足，需要扩增小病灶病例数据量，训练模型，提升缺血性小病灶分割精度。

3 结束语

文中提出了一种基于深度学习的人工智能缺血性脑卒中病灶分割系统，该系统能在黄金时间段内精准并智能地分析出缺血性脑卒中病灶区域，从而辅助临床医生选择合适的血管再通方案，明显提高患者的生存率及治愈率。该研究从社会层面可以降低医疗治疗成本，减轻患者家庭的经济负担，节约更多的社会公共资源。团队在未来将进行病灶细分割的研究，提高分割的精细度与准确率，分割出核心梗死周围缺血半暗带的位置并计算其体积，为临床医生诊疗提供更好的决策支持，提高患者的康復概率。

参考文献（References）：

[1] Inamdar M A， Raghavendra U，Gudigar A， et al. A Review

on Computer Aided Diagnosis of Acute Brain Stroke[J].Sensors，2021，21（24）：8507

[2] Rabinstein A A. Update on treatment of acute ischemic

stroke[J]. Continuum： Lifelong Learning in Neurology，2020，26（2）：268-286

[3] Herpich F， Rincon F. Management of acute ischemic

stroke[J].Critical Care Medicine，2020，48（11）：1654

[4] Patino-Saucedo A， Rostro-Gonzalez H， Serrano-Gotar-

redona T， et al. Event-driven implementation of deep spiking convolutional neural networks for supervised classification using the SpiNNaker neuromorphic platform[J]. Neural Networks，2020，121：319-328

[5] 马振霞.基于跨模态的急性缺血性卒中分割模型研究[D].硕士，郑州：郑州大学，2020

[6] Dolz J， Ben Ayed I， Desrosiers C. Dense multi-path U-

Net for ischemic stroke lesion segmentationin multiple image modalities[C]. International MICCAI Brainlesion Workshop. Springer， Cham，2018：271-282

[7] 王平，高琛，朱莉，等.基于3D深度残差网络与级联 U-Net 的缺血性脑卒中病灶分割算法[J].计算机应用，2019，39（11）：3274-3279