基于深度学习的计算机体层摄影血管造影颈动脉斑块分割初步研究

吴秋雯 周书怡 耿 辰 李郁欣 曹 鑫 耿道颖 杨丽琴

颈动脉斑块的形成及其造成的颈动脉狭窄与缺血性脑卒中的发生、 发展密切相关[1]。 对颈动脉斑块进行精确诊断分析后，可使缺血性脑卒中患者尽早获得诊断和治疗，具有极其重要的临床意义。颈动脉斑块可通过多种医学影像学方法进行诊断，如颈部超声、CTA和MRA。CTA是目前临床最常用的检测颈动脉斑块的影像学方法。超声的检查结果依赖于操作者的水平，不同操作者可能得出不同的诊断结论。与超声相比，CTA对操作者的依赖性较小；与MRA相比，CTA的成像速度更快，临床应用更广泛[2]。由于头颈部CTA序列扫描层数多，且颈动脉斑块体积较小，影像科医师阅片时需从冗繁的图像中发现斑块并分析其性质，十分耗费眼力和脑力，将不可避免地发生漏诊、误诊。目前，大部分颈动脉斑块的定位和分割研究均基于MRI和超声图像，而基于CTA图像的研究仅限于冠状动脉斑块，尚缺乏针对CTA图像中颈动脉斑块的自动定位和分割研究。本研究在半自动分割颈动脉血管的基础上，尝试通过训练三维(3D)-Unet网络模型实现颈动脉斑块的分割，以期为临床CTA颈动脉斑块的分析和研究提供依据。

1 对象与方法

1.1 研究对象 回顾性分析2016年1—3月在复旦大学附属华山医院放射科行头颈部CTA(仪器型号为Philips ict 256)检查的50例缺血性脑血管病患者的头颈CTA图像，图像中均包含颈动脉斑块。将其中41例患者的CTA图像作为训练样本，9例患者的CTA图像作为测试样本。CT扫描层厚为0.90 mm，层间距为0.45 mm。所有CTA图像均由高年资放射科医师应用3D slicer软件勾画颈动脉斑块作为诊断金标准。

1.2 方法 对原始头颈部CTA图像进行预处理后，采用半自动血管分割方法分割出颈总动脉至颈内动脉颅外段及其周围感兴趣区域，再根据预先规定的尺度(大小为128×128×128)对提取出的感兴趣区域进行分块，采用其中41例患者样本的分块结果训练3D-Unet网络模型，另9例患者样本的分块结果用于测试。最后，通过计算斑块识别率来评估实验结果，斑块识别率=实际识别斑块个数/标注斑块个数×100%。

1.2.1 半自动血管分割 阈值分割是一种较简单的图像分割方法，主要根据不同阈值将图像各像素点划分为不同集合，从而实现图像分割。然而，阈值分割的精度往往不高[3]。区域生长算法是一种基于区域信息的图像分割方法，选取合适的种子点，通过种子点的不断生长蔓延，实现不同区域的汇集，从而完成图像区域的分割[3]。半自动血管分割方法结合阈值分割和区域生长算法，首先对原始图像进行归一化等预处理，根据阈值筛选出图像中的高亮区域(包括血管和部分骨骼)，再采用区域生长算法，手动选取两个种子点进行左、右颈总动脉至颈内动脉的分割。

1.2.2 3D-Unet网络架构 2015年，Ronneberger等[4]基于全卷积神经网络的基础提出Unet网络架构，该网络模型在医学图像分割上有十分优秀的表现。Unet网络结构因其外形呈“U”字而得名。本研究采用的3D-Unet是其改进版本[5]，其具体架构见图1。该网络先进行下采样，再进行上采样，同时通过横向通道将上采样的特征与对应级别的特征串联起来，不仅可聚合这些特征，还可通过减少特征图的数量来减少网络训练中的内存消耗。

图1 3D-Unet网络的具体架构

2 结 果

2.1 半自动颈动脉分割 通过半自动血管分割方法，从原始CTA图像中分割出颈总动脉至颈内动脉颅外段，分割结果显示：预处理和阈值分割可筛选出原始CTA图像中血管和骨骼等高亮的区域，在选定合适的区域生长种子点后，可获得颈动脉的分割结果，与高年资影像科医师识别的结果一致。见图2。

A 原始CTA图像 B 预处理和阈值处理后筛选出的高亮区域(红色区域) C 区域生长算法得到的血管分割结果(红色区域) D 图C的3D重建图像图2 颈总动脉至颈内动脉颅外段分割结果

2.2 基于3D-Unet网络模型的颈动脉斑块分割 对上述血管提取结果进行膨胀操作，使样本包含血管周围感兴趣区域(即可能存在斑块的区域)。为了加快网络训练速度，根据预先规定的样本尺度(大小为128×128×128)对结果进行分块。将41例患者的分块结果作为3D-Unet网络模型的训练样本，另9例患者的分块结果作为测试样本，最后将分块得到的测试结果整合为原始大小。实验结果则根据最后得到的整合结果进行计算。

将分块测试结果整合后得到的颈动脉斑块分割结果显示：在斑块检测和分割方面均取得较好的效果，亦能识别体积相对较小的钙化斑块。高年资影像科医师勾画的颈动脉斑块结果见图3。基于3D-Unet网络模型的颈动脉斑块分割结果见图4。经统计，9例测试样本中，斑块识别率达到82.76%(24/29)。

A 正常斑块 B、C 体积较小的钙化斑块图3 高年资影像科医师勾画的颈动脉斑块结果(绿色所示)

A 正常斑块分割结果 B、C 体积较小的钙化斑块分割结果图4 基于3D-Unet网络模型得到的颈动脉斑块分割结果(红色所示)

3 讨 论

颈动脉斑块为颈动脉粥样硬化发生的早期病变，其导致的颈动脉狭窄与缺血性脑卒中的发生、发展密切相关。精确、快速地诊断颈动脉斑块对缺血性脑卒中的早期诊断和治疗具有极其重要的意义。CTA是目前临床检测颈动脉斑块最常用的影像学检查方法，其扫描层数多，如果斑块体积小，影像科医师精准阅片时需要耗费大量的时间和精力，故急需更有效、更快速的辅助手段来减轻影像科医师的阅片负担。

本研究结合阈值分割和区域生长算法，从原始CTA图像中准确分割出颈动脉，并对其膨胀，提取感兴趣区域作为后续深度学习网络的训练样本。同时，运用3D-Unet网络模型，进一步对颈动脉斑块进行定位和分割研究。本研究结果显示，通过半自动血管分割方法提取感兴趣区域并将其应用于3D-Uet网络模型，在斑块检测和分割方面均取得较好的效果，斑块检出率达到82.76%；表明该方法可较准确地检测出CTA图像中存在的颈动脉斑块，其中大部分斑块分割效果较好，即使是临床上肉眼难以检出的体积较小的钙化斑块，也可获得较好的识别效果，填补了目前CTA图像中颈动脉斑块的自动定位和分割研究的空白。

由于本研究目前收集的数据量较小，模型训练不足，存在部分斑块无法识别和非钙化部位分割效果不佳的问题，有待扩大数据集对研究进行进一步的改进和完善，以提高斑块检出率。此外，目前网络样本提取及其识别分割结果依赖于第一步的半自动血管分割，需要手动选取种子点，且仍需对分割结果进行部分手动校正和处理，后续将尝试采用深度学习方法替代半自动血管分割方法，实现对颈动脉血管的全自动分割，并进一步完善实验流程。