徐佳薇 武 杰 雷 宇

腦血管病發(fā)病率高，是我國(guó)所面臨的一項(xiàng)重大衛(wèi)生健康問題［1］，一旦發(fā)生腦血管意外，則有較高的風(fēng)險(xiǎn)會(huì)導(dǎo)致殘疾，甚至死亡。在發(fā)病早期及時(shí)發(fā)現(xiàn)腦血管病影像中的異常，可以有效降低腦血管意外的發(fā)生。在傳統(tǒng)的腦血管病診斷流程中，主要依靠醫(yī)學(xué)影像設(shè)備成像，由臨床醫(yī)生閱片，并根據(jù)經(jīng)驗(yàn)獨(dú)立作出診斷，但是培養(yǎng)一名成熟的臨床醫(yī)生需要大量的時(shí)間成本，無法匹配日益增長(zhǎng)的診斷需求。信息化的醫(yī)學(xué)診療模式促使傳統(tǒng)的診斷手段發(fā)生轉(zhuǎn)變，如何最大程度地利用獲取到的腦血管病影像信息，從而更好地對(duì)腦血管病進(jìn)行診斷和病情評(píng)估有著非常重要的意義。隨著深度學(xué)習(xí)技術(shù)的不斷革新，提取肉眼無法捕獲的微小特征信息并進(jìn)行分析和處理成為可能，大大提高了信息的利用率，最終實(shí)現(xiàn)腦血管病精準(zhǔn)診斷、評(píng)估和預(yù)后，為確定患者的后續(xù)治療方案提供可靠的依據(jù)。本文闡述了深度學(xué)習(xí)在腦血管結(jié)構(gòu)和病灶分割、腦血管病診斷和預(yù)后中的應(yīng)用進(jìn)展，指出了深度學(xué)習(xí)在腦血管病診療中存在的問題，并對(duì)未來的發(fā)展前景進(jìn)行了展望。

深度學(xué)習(xí)簡(jiǎn)介

得益于生物醫(yī)學(xué)技術(shù)不斷發(fā)展，我們可以通過現(xiàn)代設(shè)備輕松獲得大量的生物和生理數(shù)據(jù)，這些數(shù)據(jù)幫助我們理解和識(shí)別人類健康與疾病?；谏疃葘W(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法在指導(dǎo)、增強(qiáng)和提取復(fù)雜數(shù)據(jù)的特征和學(xué)習(xí)模式方面表現(xiàn)出了獨(dú)特的優(yōu)勢(shì)。通過建立深度學(xué)習(xí)模型來對(duì)數(shù)據(jù)樣本的內(nèi)在規(guī)律進(jìn)行學(xué)習(xí)，得到數(shù)據(jù)的分布式特征表示，在圖像處理領(lǐng)域具有突出的技術(shù)優(yōu)勢(shì)。近些年來，深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像處理方面的精度與速度都大有提升，極大地緩解了臨床醫(yī)生的壓力，將其應(yīng)用于腦血管病影像的處理有望為腦血管病診療帶來全新的變革。

1. 深度學(xué)習(xí)模型的架構(gòu)

在深度學(xué)習(xí)技術(shù)發(fā)展初期，主要是對(duì)模型框架的深度、寬度等方面進(jìn)行優(yōu)化，可以提高模型的抽象能力，使提取到的特征信息更為豐富，但是增加模型的寬度和深度也存在著上限，深層模型會(huì)出現(xiàn)梯度消失和梯度爆炸問題，且模型寬度過大會(huì)導(dǎo)致參數(shù)過多，增大了出現(xiàn)過擬合的可能性，使模型優(yōu)化困難。為此，需要進(jìn)一步研究提升特征信息利用率的優(yōu)化方法，使用擴(kuò)大感受野、權(quán)值共享、融合淺層和深層特征等方法進(jìn)行改進(jìn)。表1 匯總了部分性能優(yōu)秀的深度學(xué)習(xí)模型。

表1 深度學(xué)習(xí)模型框架

2. 深度學(xué)習(xí)模型的評(píng)價(jià)指標(biāo)

圖像分類在各類深度學(xué)習(xí)任務(wù)中是最基礎(chǔ)的，其評(píng)價(jià)指標(biāo)主要有精確率（precision）、 召回率（recall）、F1-Score、混 淆 矩 陣、ROC （receiver operating characteristic） 曲 線 和AUC （area under curve）等。精確率定義為識(shí)別正確的物體數(shù)占總識(shí)別數(shù)量的比例，召回率定義為識(shí)別正確的物體數(shù)占樣本總體數(shù)量的比例。只有當(dāng)精確率和召回率同時(shí)達(dá)到較高的水平時(shí)，它們的調(diào)和平均數(shù)F1-Score 才會(huì)很高。混淆矩陣能夠反映出類別間的誤分情況，可以用于了解類別間的錯(cuò)分概率。ROC 曲線即受試者工作特征曲線，描述了一個(gè)模型在不同閾值下的性能，AUC 為ROC 曲線下面積，AUC 的值越接近1，證明分類效果越好。

除了在分類任務(wù)中的評(píng)價(jià)指標(biāo)外，在檢測(cè)任務(wù)中還包括了平均精度AP（average precision）和平均精度均值mAP（mean average precision）等評(píng)價(jià)指標(biāo)。AP 由P-R（precision-recall）曲線下面積求得，描述了模型對(duì)單個(gè)類別的識(shí)別性能，mAP 則是作為模型的整體性能評(píng)價(jià)指標(biāo)。

對(duì)于分割任務(wù)，通常采用Dice 系數(shù)作為評(píng)價(jià)指標(biāo)。它可以計(jì)算兩個(gè)集合的相似度，Dice系數(shù)越接近1，模型的分割性能越好。針對(duì)各自深度學(xué)習(xí)任務(wù)選擇合適的評(píng)價(jià)指標(biāo)有助于評(píng)估模型性能，并作出優(yōu)化和改善。

深度學(xué)習(xí)在腦血管病分割中的應(yīng)用

1. 深度學(xué)習(xí)在腦血管結(jié)構(gòu)分割中的應(yīng)用

腦血管病通常表現(xiàn)為血管的形態(tài)特征出現(xiàn)異常，包括血管的狹窄、閉塞，分叉增多等等。通過分割腦血管結(jié)構(gòu)，可以提取感興趣區(qū)域，忽略其他區(qū)域帶來的干擾，清晰地觀察腦血管的結(jié)構(gòu)異常，可以幫助醫(yī)生正確判斷腦血管病變的程度，更準(zhǔn)確、有效地判斷病情，避免誤診。顱內(nèi)血管分割在腦血管病的診斷和手術(shù)計(jì)劃中起著至關(guān)重要的作用。但由于腦血管圖像存在血管特征小、血管重疊、顏色對(duì)比不明顯等特點(diǎn)，腦血管的分割一直是研究的重點(diǎn)和難點(diǎn)。秦志光等［2］將經(jīng)過高斯和拉普拉斯處理后的腦部CT 血管造影圖像（CTA）和原始圖像構(gòu)成的多模態(tài)圖像輸入卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN）中進(jìn)行并行分割，最后利用線性回歸對(duì)多個(gè)分割結(jié)果進(jìn)行處理提取出腦血管，平均Dice 系數(shù)為0.705 5。但是該方法將圖像劃分為多個(gè)圖像小塊（patch），丟失了各部分之間的空間聯(lián)系，使分割的結(jié)果還包括了部分顱外血管。Ni 等［3］提出了全局通道注意網(wǎng)絡(luò)（GCA-Net），引入通道注意機(jī)制融合高級(jí)特征和淺層特征，建立一個(gè)上采樣模塊（USM），從而更好地學(xué)習(xí)全局特征信息。還引入了空間金字塔池化（ASPP）來獲取不同分辨率的特征圖中的更多細(xì)節(jié)。實(shí)驗(yàn)結(jié)果表明，該方法可以分割出腦血管結(jié)構(gòu)。但該方法提取單一特征作為分割特征，不利于信息密集的血管分割任務(wù)。

2. 深度學(xué)習(xí)在腦血管病病變區(qū)域分割中的應(yīng)用

腦缺血是因?yàn)槟X血管發(fā)生了阻塞，使大腦缺氧，造成不可逆轉(zhuǎn)的損傷。所以，在臨床上非常重視對(duì)其的治療，患者需要進(jìn)行及時(shí)有效的治療，把損傷的程度控制在一定的范圍內(nèi)。Naofumi等［4］使用深度殘差神經(jīng)網(wǎng)絡(luò)在慢性缺血性腦卒中患者的核磁共振（MRI）T1 加權(quán)像上對(duì)腦組織病變進(jìn)行體積分割。但是該方法僅將栓塞性卒中圖像數(shù)據(jù)納入訓(xùn)練，魯棒性較差，且對(duì)小病灶的分割效果并不理想。Karthik等［5］提出了一種深監(jiān)督全卷積網(wǎng)絡(luò)（FCN）來分割缺血性病變。在網(wǎng)絡(luò)的最后兩層中應(yīng)用滲漏整流單元（LReLU）激活，精確重建缺血性病變，使網(wǎng)絡(luò)能夠?qū)W習(xí)多種特征。實(shí)驗(yàn)證明該方法的平均Dice 系數(shù)為0.70，分割效果好。

腦出血（ICH）的致殘率和死亡率都很高，臨床實(shí)際工作中，血腫形態(tài)往往不規(guī)則［6］。因此，準(zhǔn)確、快速地分割腦出血區(qū)域?qū)δX出血的臨床診斷和治療具有重要意義。張?zhí)祺璧龋?］將U-Net 模型與輪廓識(shí)別方法相結(jié)合，使用閾值分割法得到血塊的圖像紋理特征，并定位顱內(nèi)出血點(diǎn)，再對(duì)出血區(qū)域進(jìn)行插值，評(píng)估血塊的三維形態(tài)，實(shí)現(xiàn)針對(duì)顱腦CT 影像中腦出血的分析和識(shí)別，算法達(dá)到97.4%的目標(biāo)識(shí)別準(zhǔn)確率。但是其他病灶如鈣化灶等識(shí)別效果較差，且三維建模插值算法存在一定不足，無法準(zhǔn)確補(bǔ)全斷層信息。Yao 等［8］提出了一種基于擴(kuò)展卷積的多視點(diǎn)CNN 結(jié)構(gòu)，對(duì)不同尺度的特征進(jìn)行提取和融合，以提高分割性能。并且使用了一種新的混合損失函數(shù)，利用不同窗口中心和寬度調(diào)整對(duì)比度的CT 掃描結(jié)果，提高了網(wǎng)絡(luò)的泛化能力，平均Dice 系數(shù)為0.697，AUC 為0.853。但是該方法只是分割了整體的急性出血區(qū)域，而無法區(qū)分不同的血腫類型，如腦實(shí)質(zhì)內(nèi)血腫、腦室內(nèi)血腫和蛛網(wǎng)膜下腔出血，因此無法判斷腦出血所造成的后果。

深度學(xué)習(xí)在腦血管病診斷中的應(yīng)用

腦微出血（CMBs）是小型的慢性腦出血，已被視為各種腦血管疾病（包括中風(fēng)，功能障礙，癡呆和認(rèn)知障礙）的診斷指標(biāo)。Liu 等［9］提出了一個(gè)兩階段的CMBs檢測(cè)框架，其中包含一個(gè)基于磁敏感加權(quán)成像（SWI）合成圖像的三維快速徑向?qū)ΨQ變換的候選檢測(cè)階段，以及基于深度殘差神經(jīng)網(wǎng)絡(luò)的假陽性抑制階段，檢測(cè)準(zhǔn)確率達(dá)到95.8%，有較好的檢測(cè)效果。但是該方法可能多個(gè)連接的CMBs 可能被算作一個(gè)CMBs，小病灶可能被漏檢。由于常用的深度學(xué)習(xí)模型都是基于二維圖像開發(fā)的，但是針對(duì)醫(yī)學(xué)圖像中的三維圖像可以采用三維卷積對(duì)其進(jìn)行處理，相較于二維卷積，三維卷積在卷積核上增加了表示深度的維度。Dou 等［10］提出了一種基于三維卷積神經(jīng)網(wǎng)絡(luò)（3D CNN）的CMB 檢測(cè)級(jí)聯(lián)框架。利用三維FCN 的策略來檢索具有高概率的候選CMBs，然后應(yīng)用訓(xùn)練良好的3D CNN 判別模型來診斷CMBs。消除了大量的冗余計(jì)算，大大加快了檢測(cè)速度，準(zhǔn)確率高達(dá)93.16%。但該方法沒有納入SWI 濾波的相位圖像，不易區(qū)分CMBs和鈣化點(diǎn)，且可能錯(cuò)誤地檢測(cè)到一些尺寸不規(guī)則的CMBs。Mohammed 等［11］使用基于區(qū)域的YOLO 網(wǎng)絡(luò)對(duì)潛在的CMBs 候選檢測(cè)，并使用3D CNN 減少誤檢。將SWI 相位圖像作為網(wǎng)絡(luò)的雙通道輸入，使得YOLO能夠?qū)W習(xí)更可靠和更具代表性的層次結(jié)構(gòu)特征，從而獲得更好的檢測(cè)性能。但是該方法的臨床實(shí)際應(yīng)用還需要進(jìn)一步探討。

血管源性腔隙與中風(fēng)、步態(tài)障礙和癡呆的風(fēng)險(xiǎn)增加相關(guān)，是小血管疾病的主要影像學(xué)特征。腔隙的量化對(duì)于闡明神經(jīng)退行性疾病背后的機(jī)制可能非常重要，且是小血管疾病研究標(biāo)準(zhǔn)的一部分。Mohsen等［12］設(shè)計(jì)了一個(gè)兩階段的深度學(xué)習(xí)模型檢測(cè)卒中患者M(jìn)R圖像中的血管源性腔隙。首先使用一個(gè)FCN網(wǎng)絡(luò)來進(jìn)行初步檢測(cè)，其次使用3D CNN 減少假陽性，通過多尺度分析和位置特征的整合，為網(wǎng)絡(luò)提供上下文信息，實(shí)驗(yàn)結(jié)果表明該方法檢測(cè)效果良好。

腦卒中是全球最主要的死亡原因之一，及時(shí)地發(fā)現(xiàn)腦卒中的發(fā)病，并在腦卒中早期啟動(dòng)治療程序可以大大提高患者的生存概率，因此自動(dòng)化的腦卒中診斷是十分必要的。Anjali 等［13］采用多聚焦圖像融合的方法對(duì)腦CT 掃描圖像進(jìn)行預(yù)處理，把預(yù)處理后的圖像輸入到13 層CNN 結(jié)構(gòu)中進(jìn)行分類，將圖像分為出血性腦卒中、缺血性腦卒中和正常腦卒中。通過對(duì)兩個(gè)不同的數(shù)據(jù)集進(jìn)行兩個(gè)實(shí)驗(yàn)，準(zhǔn)確率分別為92.22%和93.33%，驗(yàn)證了該方法的泛化能力與魯棒性。Nishio 等［14］開發(fā)和評(píng)估了一個(gè)包含兩階段深度學(xué)習(xí)模式的自動(dòng)急性缺血性卒中檢測(cè)系統(tǒng)。利用YOLO V3模型和VGG 16分類模型，提高了放射科醫(yī)生對(duì)診斷急性缺血性卒中的敏感性。但是該研究主要集中在急性缺血性卒中檢測(cè)系統(tǒng)的開發(fā)上，因此該系統(tǒng)的臨床應(yīng)用價(jià)值有限。

大腦疾病可能會(huì)導(dǎo)致一些關(guān)鍵功能的喪失，如思維、言語和運(yùn)動(dòng)。因此，早期發(fā)現(xiàn)腦疾病有助于及時(shí)得到最佳治療。Yukinori 等［15］采用VGG 16 神經(jīng)網(wǎng)絡(luò)，對(duì)煙霧病、動(dòng)脈粥樣硬化患者和正常人進(jìn)行分類，最終的準(zhǔn)確率分別為92.8%、84.8%和87.8%。Midas 等［16］采用CNN 在4D-CTA 圖像中檢測(cè)顱內(nèi)前循環(huán)動(dòng)脈閉塞，準(zhǔn)確率達(dá)到92%。但是該研究沒有分類或定位不同類型的閉塞，且數(shù)據(jù)集中沒有納入雙側(cè)血管閉塞的患者，具有一定的局限性。

深度學(xué)習(xí)在腦血管病預(yù)測(cè)中的應(yīng)用

腦血管病需要盡早預(yù)防、盡早治療，尤其是腦卒中，其發(fā)病迅速，后果嚴(yán)重。Liu等［17］使用混合機(jī)器學(xué)習(xí)方法來預(yù)測(cè)腦卒中的發(fā)生。在分類前采用隨機(jī)森林回歸對(duì)缺失值進(jìn)行插補(bǔ)，再將基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的自動(dòng)超參數(shù)優(yōu)化（AutoHPO）應(yīng)用于非平衡數(shù)據(jù)集上來作卒中預(yù)測(cè)。該預(yù)測(cè)方法的準(zhǔn)確率為71.6%。姜亮等［18］利用InceptionV3 模型構(gòu)建基于擴(kuò)散加權(quán)成像（DWI） 和液體衰減反轉(zhuǎn)恢復(fù)序列（FLAIR）的深度學(xué)習(xí)模型預(yù)測(cè)急性腦卒中的發(fā)病時(shí)間，AUC達(dá)到0.852，預(yù)測(cè)效果好。

灌注圖像反映了局部組織血流灌注量的改變，可以提高腦梗死診斷的靈敏度［19］，對(duì)明確病灶的血流供應(yīng)具有重要意義。Vargas 等［20］采用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)疊加在長(zhǎng)短時(shí)記憶層上來預(yù)測(cè)急性缺血性中風(fēng)患者灌注是否存在不足和偏側(cè)，預(yù)測(cè)準(zhǔn)確率為85.8%。Noelie 等［21］將磁共振灌注圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)，成功預(yù)測(cè)了急性腦卒中最終梗死體積。上述實(shí)驗(yàn)結(jié)果表明使用深度學(xué)習(xí)技術(shù)預(yù)測(cè)腦卒中的發(fā)病可能和灌注情況是可行且有效的，可能為患者存活帶來新的希望。

預(yù)后可分為自然預(yù)后和干預(yù)預(yù)后，在患者經(jīng)過治療之后，評(píng)估治療的結(jié)果也是非常重要的，對(duì)于下一步的治療方法有著參考性的作用。Hilbert 等［22］將ResNet 與結(jié)構(gòu)化接收?qǐng)觯≧FNN） 和自動(dòng)編碼器（AE）相結(jié)合，用于網(wǎng)絡(luò)權(quán)值初始化。利用CT 血管造影圖像建立模型，實(shí)現(xiàn)了血管內(nèi)治療后的再灌注和功能結(jié)果的預(yù)后。

深度學(xué)習(xí)方法在其他腦血管疾病的預(yù)測(cè)研究中也取得了進(jìn)展。Martins等［23］開發(fā)了3種ANN 模型，根據(jù)臨床數(shù)據(jù)預(yù)測(cè)患者出現(xiàn)復(fù)發(fā)性靜脈血栓栓塞癥（RVTE）的概率。實(shí)驗(yàn)證明模型的準(zhǔn)確率最高可以達(dá)到92.8%，AUC 為0.977，可幫助臨床醫(yī)生確定靜脈血栓栓塞的治療方案。此外，用于預(yù)測(cè)癥狀性腦血管痙攣（SCV）和早期神經(jīng)系統(tǒng)退化的網(wǎng)絡(luò)模型也已被開發(fā)。這些研究結(jié)果顯示深度學(xué)習(xí)方法在疾病預(yù)測(cè)和預(yù)后方面有很高的應(yīng)用價(jià)值，未來還需要進(jìn)一步提升深度學(xué)習(xí)技術(shù)的效能。

總結(jié)與展望

本文主要針對(duì)深度學(xué)習(xí)在腦血管病診療中的應(yīng)用進(jìn)行闡述，包括病變分割、疾病識(shí)別和預(yù)測(cè)方面。深度學(xué)習(xí)作為目前正流行的研究方向，與醫(yī)療領(lǐng)域相結(jié)合更是當(dāng)下的研究熱點(diǎn)。但是深度學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用還面對(duì)著一些問題：①模型的魯棒性和泛化能力較差，實(shí)驗(yàn)數(shù)據(jù)規(guī)模較小，且只能針對(duì)某一種特定的任務(wù)取得較好的準(zhǔn)確率，難以在實(shí)驗(yàn)數(shù)據(jù)以外的通用任務(wù)中得到驗(yàn)證與推廣；②各醫(yī)院醫(yī)療設(shè)備質(zhì)量參差不齊，不可避免地存在不同程度的噪聲影響，數(shù)據(jù)間差異化較大，無法獲得統(tǒng)一的、高質(zhì)量的數(shù)據(jù)；③模型缺乏可解釋性，由于其“端到端”的運(yùn)行特性，無法明確其運(yùn)行機(jī)制，使臨床醫(yī)生在實(shí)際應(yīng)用中出現(xiàn)理解和使用上的困難，因此亟待開發(fā)適用于臨床的決策工具。

目前醫(yī)學(xué)成像應(yīng)用中可用的樣本量相對(duì)較小。這主要是由于醫(yī)學(xué)數(shù)據(jù)采集和標(biāo)注成本較高造成的。樣本量小可能導(dǎo)致過度擬合和泛化能力差?？梢允褂眠w移學(xué)習(xí)，在源域中借助已有的數(shù)據(jù)集進(jìn)行訓(xùn)練，固定模型淺層的訓(xùn)練參數(shù)，并對(duì)模型的深層參數(shù)進(jìn)行微調(diào)，遷移到目標(biāo)域中，可以有效解決腦血管病數(shù)據(jù)集規(guī)模較小，難以訓(xùn)練的問題。此外，還可以使用數(shù)據(jù)增強(qiáng)來擴(kuò)增圖像數(shù)據(jù)集，例如幾何變換和顏色變換，或者使用生成式對(duì)抗網(wǎng)絡(luò)（GAN），基于無監(jiān)督的學(xué)習(xí)方式完成數(shù)據(jù)增強(qiáng)。另外，還可以考慮將深度學(xué)習(xí)應(yīng)用到動(dòng)態(tài)醫(yī)學(xué)影像中，考慮圖像的時(shí)間特征，使腦血管病診斷更加多維。同時(shí)，我們需要加快建設(shè)信息共享平臺(tái)，對(duì)醫(yī)療數(shù)據(jù)進(jìn)行統(tǒng)一管理，制定統(tǒng)一的數(shù)據(jù)集制作標(biāo)準(zhǔn)，以期實(shí)現(xiàn)對(duì)醫(yī)療數(shù)據(jù)的高度整合。未來深度學(xué)習(xí)將與醫(yī)療領(lǐng)域更進(jìn)一步融合，智慧醫(yī)療將離我們?cè)絹碓浇?/p>