基于三維卷積神經網絡的頸部TOF MRA圖像的血管自動分割

邱偉 陳碩 魏寒宇 李睿

0 引言

腦血管病是危害人類健康的最主要的疾病之一，也給我國的經濟和社會發展帶來了沉重的負擔[1]。其中，缺血性腦卒中是發病率最高的腦血管病類型，約占80%。頸動脈病變(如動脈粥樣硬化)和椎動脈變異(如椎動脈優勢)是缺血性腦卒中的主要致病原因[2-5]。臨床常用的影像學血管評估方法多為血管造影法，如磁共振血管造影(magnetic resonance angiography,MRA)、CT血管造影(CT angiography,CTA)、數字減影造影(digital subtraction angiography,DSA)等。盡管CTA和DSA等方法被廣泛應用于急診診斷、手術規劃、介入引導等醫療場景，并且近年來關于顱頸動脈CTA或DSA的人工智能分割、診斷等研究成果日益增多，但因輻射性、有創性、需外源造影劑等弊端，這些方法仍具有應用的局限性。時間飛躍法磁共振血管成像(time of flight MRA,TOF MRA)應用流入增強效應而無需外源性造影劑注射即可對多血管床進行成像，以其無輻射、無創等優勢成為應用廣泛的血管造影技術之一[6-7]，并且多項研究證明TOF MRA在頸部動脈、顱內動脈等部位成像效果與CTA、DSA基本一致[8-11]。

基于TOF MRA對血管形態進行準確快速的評估，有助于疾病鑒別診斷、發病規律的探究、治療方案的規劃、治療的影像學隨訪等等，具有重要意義[12-14]。對于頸動脈管腔的準確分割是獲取管腔形態結構信息，從而對血管狹窄程度進行評估的重要步驟。但傳統的管腔分割多采用手動勾畫方法，耗時、低效、依賴圖像處理人員的經驗，并不適用于大規模臨床或科學研究。近年來逐漸成熟的深度學習人工智能技術使得快速準確分割TOF MRA圖像的血管管腔成為可能。

目前基于深度學習人工智能等圖像后處理方法已被應用于CTA影像分割的研究和臨床應用中。但相較于成像質量更穩定的CTA，TOF MRA因其成像原理更易受血液流速、磁場不均勻、人體生理運動以及具體磁共振成像參數的影響，存在著圖像對比度不一致和質量不夠穩定的問題，因此對TOF MRA圖像進行后處理分析挑戰更大。Wilson等[15]搭建高斯-均勻混合分布模型，應用最大期望化算法對模型參數進行估計，在TOF圖像中對血管進行了良好的分割，這是經典的基于閾值的自動分割方法。Xiao等[16]利用檢測到的種子點進行區域生長，在多特征融合增強圖像上分割腦血管，但這種半自動的算法也不適于大規模處理。近年來，深度學習技術，尤其是基于U-Net[17]或者3D U-Net[18]神經網絡分割方法，已被廣泛用于血管的自動分割[19]，其分割效果優于傳統方法[20-21]。Phellan等[22]使用基礎的深度卷積神經網絡(CNN)，Livne等[23]使用半 U-Net網絡，Sanches等[24]使用3D U-Net網絡，Zhu等[25]以3D Res U-Net 作為基礎網絡都比較成功地對TOF MRA圖像進行了血管分割，在各自的數據集上分別取得了0.78、0.89、0.7和0.85的Dice值結果。盡管上述深度學習后處理方法表現已優于傳統方法，但其未充分利用TOF MRA圖像本身具有的稀疏性和高對比度等特征，且在網絡結構方面存在著通道數和卷積層數不匹配，圖像細節提取層次不夠等不足之處，難以對TOF MRA圖像進行更高精度的特征提取。

為此本研究擬提出一種適用于TOF MRA圖像的三維卷積神經網絡結構，并采用在原始的高分辨率圖像中裁取三維切塊的方式來對神經網絡進行訓練和優化，實現對3D頸部TOF MRA圖像的血管精確分割。

1 材料與方法

1.1 研究對象與數據

1.1.1 數據的獲取

頸部3D TOF MRA圖像源于老年人心腦血管病發病風險研究(Cardiovascular Risk of Old Population，CROP)項目[26]中166名受試者，納入標準為年齡不低于60歲，6個月內無心血管系統癥狀以及冠心病或中風病史，所納入數據的圖像質量均衡。

所有受試者均在3.0T MR成像儀(Philips Achieva TX,Best,荷蘭)上完成雙側頸動脈TOF MRA成像檢查，接收線圈采用自主研究設計的36通道神經血管線圈。該項目研究方案已通過清華大學醫學倫理審查會審核批準，所有受試者參與項目前均簽署書面知情同意書，倫理批準文號是20110022。

頸動脈TOF MRA的成像主要參數為：快速回波場序列(fast field echo,FFE)，重復時間(time of repetition,TR)為 25 ms，回波時間(time of echo,TE)為3.453 ms，翻轉角為20°，成像視野為130(AP)×168(RL)×140(FH)mm3，空間分辨率為0.7 mm×0.9 mm×1.8 mm，重建后的圖像矩陣大小為528×528×156。

1.1.2 圖像標注及數據集準備

數據由2名具有3年以上磁共振血管影像評估經驗的圖像判讀人員運用Mimics軟件(Materialise Mimics Medical 17.0)對圖像數據集進行像素級的三維手動勾畫標注，標注的血管包括雙側椎動脈、頸總動脈、頸內動脈和頸外動脈。圖像標注人員采用觀點一致性原則進行圖像標注，當判讀者間存在爭議時，由第3名高年資醫生(10年以上腦血管影像診斷經驗)進行仲裁。標注完成后將166例圖像數據按照8∶1∶1的比例隨機分為訓練集(n=132)、驗證集(n=17)和測試集(n=17)。

1.2 研究方法

1.2.1 新分割模型搭建

本研究所提出的多層級輸入的3D CNN神經網絡模型如圖1所示。該模型包括4層降采樣和4層上采樣，分別構成編碼路徑和解碼路徑，實現了從三維MRA圖像到三維血管掩膜圖像的端到端網絡結構。這比基礎的3D U-Net增加了卷積層數，有利于對高分辨圖像進行更深層次的特征提取。網絡中的每一層均是一個殘差網絡模塊，由兩個卷積核(kernel)為3×3×3、步長(stride)為2的卷積層(convolution)、一個步長(pooling size)為2的最大池化層(maxpooling)或反卷積層(deconvolution)和殘差連接結構[27]組成，增加的殘差結構可以在網絡加深的時候避免出現梯度消失的問題。這些卷積操作中均使用Relu函數作為激活函數。將輸入的TOF MRA圖像分別進行2倍、4倍和8倍下采樣縮小后，與每層編碼器輸出的特征圖進行拼接結合(concatenate operation)，隨后通過每一層的跳過連接將等比例縮小的TOF MRA圖和編碼器提取的特征圖一起輸送給相應層級的解碼器，再進行進一步的訓練學習。通過在跳躍連接時添加不同尺度的原始圖像特征，充分利用了不同維度下的淺層特征，再結合殘差結構下的深層特征，此改進使該網絡能夠全面考慮到MRA圖像不同層的特征映射，避免引入更復雜的卷積和池化等操作。輸出層使用1×1×1的卷積進行通道信息整合，最后使用Sigmoid激活函數進行結果輸出。

圖1 新三維卷積神經網絡結構Figure 1 The new 3D CNN structure

1.2.2 實驗實施細節

實驗在Ubuntu 18.04系統下進行，深度學習網絡框架為TensorFlow(v1.14.0)，Python版本為3.7，模型訓練及預測使用GeForce RTX 2080Ti，顯存為11 GB，CUDA版本為10.0，cuDNN版本為7.4。

模型訓練采用迭代學習參數平穩的Adam優化器，初始學習率設置為10-5，訓練的迭代次數設置為100，批量大小為1。采用“1-Dice”損失函數作為模型的損失函數[27]，用以反映血管分割的準確度。

本研究將數據同樣應用于Wilson等[15]提出的傳統方法、3D U-Net[18]、3D Res U-Net[25](在3D U-Net的每個編碼層中加入殘差結構)和3D SE U-Net[28]方法(在3D U-Net的每個編碼層中加入SE結構)，而且這些深度學習模型均采用上述的訓練參數。上述基于深度學習的參考方法均是根據原文的描述用TensorFlow框架復現的。

1.2.3 三維切塊大小的比較

由于本研究所使用的顯卡內存大小為11 GB，故無法對全尺寸的圖像進行學習和測試。將原始大尺寸圖像裁剪成三維切塊是解決計算資源限制從而提高效率的常用技巧。為了研究三維切塊尺寸大小對網絡性能的影響，本研究從TOF MRA圖像中分別裁剪出3種不同的尺寸大小來進行對比實驗，3種切塊的尺寸從大到小分別為256×256×64(大)、192×192×64(中)和192×192×32(小)。每一種尺寸的三維切塊都是從原始數據中切取出來，并進行Z-score標準化來改善圖像對比度不一致的問題。同時為了避免模型在訓練過程中出現過擬合的問題，本研究在原始圖像的3個方向上隨機進行不同步長的平移來進行數據增強，從而提高模型的穩定性。

1.2.4 結果評估

本研究中的實驗均采用了十折交叉驗證，以人工標注的結果作為參考標準，模型性能的評估基于以下量化指標：平均Dice系數、Dice系數標準差(十折)、靈敏度和特異度。針對每一種切塊尺寸的對比實驗，分別得到對于不同預測拼接方式的十折Dice系數，采用十折Dice系數的平均值和標準差對模型的分割性能進行評價，并對3種切塊尺寸對比實驗結果進行單因素方差分析(One-way ANOVA)。

2 結果

2.1 模型分割

表1顯示了采用不同方法在TOF MRA圖像上獲得的血管分割統計結果。由表1可見，本研究提出的新3D CNN模型在數據集上獲得了最高的Dice系數平均值0.932 0，最高的靈敏度0.918 6和特異度0.999 6，同時有著最低的Dice系數標準差(standard deviation，STD)為0.005 1。

表1 不同方法的頸部血管分割結果比較Table 1 Algorithms comparisons on neck vessel segmentation

隨機挑選4個測試結果用最大密度投影方式進行可視化處理，如圖2所示。并與Wilson等提出的傳統方法、3D Res U-Net深度學習方法進行直觀對比。本研究結果顯示，所提出的3D CNN分割方法與手動分割方法具有良好的一致性，并且相比其他方法有著噪點數顯著減少，與手動結果更為接近的效果。

圖2 不同方法下的分割結果Figure 2 Segmentation results under different methods

2.2 不同切塊尺寸下的網絡性能

十折交叉驗證下對3種尺寸切塊的測試結果見表2。對于大、中和小3種尺寸的三維切塊，分別訓練出模型并在測試集上得出十折的平均Dice系數分別為0.932 0、0.917 5和0.899 3，十折Dice系數的標準差分別為0.005 1、0.011 5和0.021 0。單因素方差分析結果如圖3所示，3組數據滿足方差齊性，3組間差異具有統計學意義(P<0.01)。

表2 不同切塊尺寸模型測試Dice系數統計結果Table 2 Dice results of three models with different patch size

圖3 不同切塊尺寸模型的單因素方差分析Figure 3 One-way ANOVA of three models with different patch size

3 討論

3.1 新分割模型的有效性

本研究使用新提出的多層級輸入的3D CNN模型對三維高分辨率頸部TOF MRA圖像中的血管管腔進行了像素級分割，獲得了高達0.932 0的Dice平均值，同時十折交叉實驗下的標準差很小。從所運用的評價指標來看，所提出的新網絡相比已有的經典模型，在TOF MRA數據上具有更好的可行性和效果。

本研究的3D CNN模型是在3D U-Net的基礎上進行改進的。首先課題組在原U-Net結構上增加了一個編碼層和解碼層來應對大尺寸的輸入圖像，每一層中的殘差結構能有效解決網絡退化問題，有利于網絡訓練的深入。由于TOF MRA圖像本身自帶矩陣稀疏性，同時血管區域的高亮特性能起到獨立于背景的作用。因此，本研究在網絡每個跳躍連接層上添加了TOF MRA的多種分辨率數據，每層加入的數據能夠起到區域響應增強的門控效果，抑制了無關區域的信息，更加突顯目標區域。該改進能夠增加網絡對TOF MRA圖像的特征學習能力，并提高網絡對TOF MRA圖像分割的穩定性，有助于本模型在分割算法中獲得最佳分割性能。

3.2 對三維切塊尺寸的分析

由于血管的完整和連續性，需要充分利用圖像的全局特征來獲得更好的分割結果。輸入切塊的尺寸范圍越大，其包含的血管信息就越多，因此保持了更好的全局性。對研究結果進行總結分析可知，當三維切塊的尺寸較大時，更大的輸入擁有更大范圍的上下文信息，使得網絡能學習到更多的特征，并有益于網絡參數的訓練，從而使得網絡的分割準確度更高，分割的穩定性也更好。因此，在顯卡內存足夠大的情況下，應選取尺寸盡量大的三維切塊作為神經網絡的輸入來提升模型的性能。

3.3 本研究的局限性

深度學習網絡模型的性能與數據集關系密切，然而此研究使用的數據集來自于無癥狀老年人群，缺少動脈顯著狹窄或閉塞等的患者數據。此外，在對數據集進行人工手動標注時也會存在一定的個體差異，這些問題均可能對研究結果造成一定的影響。在今后的研究中可以通過擴大樣本數量、豐富數據集種類、增加網絡參數的討論范圍和采用多種圖像預處理方式來進一步提升研究效果。

總體而言，本研究針對3D TOF MRA圖像的血管分割，提出了一個新的多層級輸入的三維卷積神經網絡，實驗結果表明該模型能夠從3D TOF MRA圖像中自動分割出頸部動脈血管，且分割性能優于現有方法。此外，實驗表明增加三維切塊的尺寸可以提升模型分割性能，這為模型參數選擇提供了有力參考。