基于磁共振ADC图像的深度学习和ADC值评估慢性乙型肝炎肝纤维化程度价值比较

朱桂娟，张鑫，叶晓航，李锋

淮安市第四人民医院 影像科，江苏 淮安 223000

引言

肝纤维化是慢性肝炎发展过程中最常见的病理变化，是肝硬化最终发展的基础和必要阶段。研究表明，肝纤维化的病理损害过程是可逆的[1-2]，因此，肝纤维化的早期诊断和早期干预尤为重要。肝活检病理是诊断肝纤维化的“金标准”[3]，但肝活检是一种侵入性手术，存在一定的临床并发症和医疗风险，也影响了患者的接受度。目前诊断肝纤维化的影像学方法主要有超声、CT和MRI。MRI在诊断和评估肝纤维化方面具有独特的潜力和优势。弥散加权成像（Diffusion Weighted Imaging，DWI）可用于检测活组织中水分子的布朗运动[4-5]，这使得它可以安全无创地诊断肝纤维化。

2006年，Hinton等[6]提出了深度学习的概念，它起源于人工神经网络的研究。Chen等[7]提出了一种新的卷积神经网络（Convolutional Neural Network，CNN）架构，称为密集资源-感应网络，以改进卷积层进行学习医学图像的特征。Gu等[8]提出了一种基于注意力的综合CNN，可以同时感知最重要的空间位置、通道和尺度，从而实现更准确和可解释的医学图像分割。因此，基于深度学习的计算机辅助诊断系统已经开发医学成像（非自然图像）领域，目前，人工智能技术评估肝纤维化是肝纤维化研究方向的热点，但将人工智能应用于 MRI表观弥散系数（Apparent Diffusion Coefficient，ADC）图像诊断肝纤维化的研究相对较少。基于此，本文拟采用基于深度卷积神经网络（Deep Convolutional Neural Network，DCNN）的肝纤维化自动检测方法对123例经病理确诊的肝纤维化患者的ADC图像进行分析，旨在评估ADC图像特征与肝纤维化程度的关系。

1 资料与方法

1.1 一般资料

回顾性分析123例慢性乙型肝炎患者的磁共振ADC图像，123例患者肝纤维化分级经肝穿刺病理证实。由具有20多年从业经验的病理学主任医师阅读所有标本，肝硬化患者的分级采用国际METAVIR方法[9]，确定了5组肝纤维化阶段（F0～F4），其中F0表示无肝纤维化，F1表示轻度肝纤维化，F2表示明显肝纤维化或肝纤维化，F3表示晚期肝纤维化，F4表示肝硬化。F0期12例，男6例、女6例，年龄24～56岁，平均（41.00±11.68）岁；F1期26例，男13例、女13例，年龄22-64岁，平均（42.00±10.91）岁；F2期20例，男12例、女8例，年龄24～71岁，平均（44.20±11.40）岁；F3期26例，男17例、女9例，年龄30～70岁，平均（45.42±10.18）岁；F4期39例，男20例、女19例，年龄21～72岁，平均（50.08±10.97）岁。本文使用二元分类的方法，其中F0、F1纳为一组为阴性，F2、F3、F4纳为一组为阳性。本研究已获得淮安市第四人民医院伦理委员会批准（批号 ：2020011）。

1.2 方法

1.2.1 肝穿刺组织学检查

穿刺的位置和深度由彩色多普勒超声确定（肝右叶，远离大血管）。首先常规皮肤消毒，局部麻醉，嘱患者屏气后，用16G肝穿刺针（Rraun，德国）负压抽吸肝组织（样本长15～25 mm）；然后用4%甲醛固定，石蜡包埋，连续切片，HE和Masson染色；最后在多视场光学显微镜（奥林巴斯CX31，日本）下观察。

1.2.2 MRI检查

所有受试者均进行了上腹部MRI扫描和DWI检查，检查前禁食6 h以上并进行呼吸训练。MRI检查设备选用GE MR3551.5T超导MRI系统。患者取足先进、仰卧位、八通道相控阵体线圈，先行常规MRI扫描，扫描范围为膈肌顶部至肝下缘。DWI采用单次平面回波成像序列，扫描参数为：TE 61.8 ms，TR 9230.8 ms，矩阵256×256，切片厚度6.0 mm，间隔1.5 mm，信号激励数2次，b值为800 s/mm2。

1.2.3 磁共振的ADC值测量

在ADC图像中不同层面上随机绘制3个感兴趣区域（Region of Interest，ROI）。ROI的大小约为 100 mm2。ROI的选择应避开肺门和第二肺门的大血管。测量由2名副主任医师同时进行，结果协商一致，最后测得3个ADC值，并计算平均值。

1.2.4 DCNN结构方法

本文主要提出了一种5层DCNN结构，用于慢性乙型肝炎肝纤维化的自动分类。神经网络自提出以来，一直被研究人员不断的优化和深化[10-13]。本文提出的5层DCNN结构由输入层、3个卷积层、3个池化层、2个全连接层和输出层组成，见图1。

图1 5层DCNN流程图

（1）卷积：卷积层是DCNN的重要组成部分之一。在 DCNN中，卷积层为3D输入和3D滤波器实现了2D卷积，因为输入和滤波器的通道是相同的[14]。在DCNN中，卷积层的工作原理是过滤器扫描输入进行卷积运算，提取特征[15]。由于卷积具有“权重共享”的特性，可以降低计算成本，防止参数过多导致的过拟合。

如图2所示，输入矩阵大小为4×4，滤波器矩阵大小为3×3，输出矩阵大小为2×2。假设输入大小为Wk×Hk×Dk过滤器的数量一般是不确定的。研究人员通常根据经验确定过滤器的数量。输出计算如公式（1）～（3）所示。卷积层的流程图如图3所示。

图2 卷积操作

图3 卷积层流程图

式中，Wk代表输入的宽度，Hk代表输入的高度，Dk代表输入的深度，Fw代表滤波器的宽度，Fh代表滤波器的高度，Fd代表滤波器的深度，B代表填充，Q代表步幅，M代表滤波器个数。输出的大小为Wk+1×Hk+1×Dk+1。

（2）汇集：在深度卷积神经网络中，通常在1层或多层卷积层之后加入池化层。池化层操作不需要特定的内核。池化层有2个优点：① 有助于获得平移不变性；② 降低维度以减少计算量[16]。通常使用2个池化层：最大池化和平均池化。如图4a所示，在池区域内选择最大值的最大池化。池化层的宽度和高度将降低1/2，步幅为2。池化操作的输出是一个2×2的矩阵，而输入是一个4×4的矩阵。池化操作使得输入尺寸的维度大大减小。如图4b所示，平均池化的工作原理与最大池化类似，只是用平均值代替了最大值。

图4 池化层

假设给定一个矩形区域Rij，其中i为行数，j为列数。最大池化计算方式如公式（4）所示，平均池化计算方式如公式（5）所示。

式中，mij表示通过矩形区域Rij最大池化的输出值，xpq表示矩形区域Rij中（p,q）处的元素。

式中，aij表示通过矩形区域Rij平均池化的输出值，xpq表示矩形区域Rij中（p,q）处的元素，|Rij|表示矩形区域Rij中的元素个数。

对123例患者图片利用5层DCNN结构建立了肝纤维化自动诊断模型。卷积层、池化层、激活层和全连接层构成了DCNN的框架，见表1。每个卷积层都与一个池化层相连。每个卷积层都有不同数量的卷积核。第一个卷积层有32个卷积核，第二个卷积层有64个卷积核，第三个卷积层有96个卷积内核。每个卷积层的卷积核为3×3。3次卷积后和池化计算，参数为24576（16×16×96），第一个完全的参数连接层到第二层为24576×300，第二个全连接层的输出是300×2。DCNN结构流程图如图5所示。

表1 DCNN结构流程图

图5 DCNN流程图

1.2.5 统计学分析

使用SPSS 23.0进行统计学分析，计量资料以±s表示，采用t检验；使用Microsoft Visio 2013绘图软件。十折交叉验证方法是一种通过“交叉”（将原始数据拆分为多种不同的数据组合）来“验证”（准确度评估：损失函数、方差、偏差）模型对象的处理工具，主要是对原始数据进行分组。

2 结果

基于DCNN采集ADC图像的准确度、敏感度、特异性、精密度、F1、马修斯相关系数（Matthews Correlation Coefficient，MCC）和福尔克斯–马洛斯指数（Fowlkes–Mallows Index，FMI）分别为88.13%±1.47%、81.45%±3.69%、91.12%±1.72%、80.49%±2.94%、80.90%±2.39%、72.36%±3.39%、80.94%±2.37%，见表2。MRI测得图像ADC值的准确度、敏感度、特异性、精密度、F1、MCC和FMI分别为75.07%±13.35%、90.03%±9.24%、42.67%±35.42%、78.44%±11.42%、83.30%±8.18%、16.00%±60.46%、83.77%±7.98%，见表3。基于DCNN采集ADC图像的准确度、特异性、MCC均显著高于MRI测得ADC值结果，敏感度显著低于MRI测得ADC值结果，DCNN采集ADC图像的准确度、敏感度、特异性、MCC与MRI测得ADC值比较差异有统计学意义（t=3.075、-2.727、4.320、2.943，P=0.007、0.014、＜0.001、0.009）；基于DCNN采集ADC图像的精密度、F1、FMI与MRI测得图像ADC值比较差异无统计学意义（t=0.550、-0.892、-1.075，P=0.589、0.384、0.297）。

表2 基于DCNN ADC图像自动检测结果（%）

表3 MRI测得ADC值结果（%）

3 讨论

肝纤维化是肝炎发展过程中常见的病理变化，随着技术的逐渐成熟，尤其是近年来肝脏的研究和应用[17]，MRI DWI可以通过水分子的微观条件判断人体组织的生理病理特征[18]。正常肝细胞形态和排列规则有序，实质细胞和细胞基质稳定。当慢性肝病患者发生肝纤维化时，肝脏内的纤维细胞增殖，胶原纤维沉积在肝脏的细胞间质中，水分子的活性受到限制，导致病变组织的ADC值降低[19-21]。对于较严重的肝纤维化病变，ADC值可以更准确地诊断，但在最初的肝纤维化病变中，ADC值的敏感度较低，可能与病变早期的肝内细胞外基质沉积及胶原纤维分布较少、对水分子运动的限制不足有关。

深度学习是人工智能领域的重要突破[22-26]，在放射学领域，尤其是在肿瘤的影像诊断方面优势明显[27]。它在提取成像数据和图像分析、提取图像特征（包括形状和空间关系特征）方面得到发展，具有提取小特征的潜力。基于MRI的深度学习模型在肝纤维化分期方面也显示出优势。Yasaka等[27]使用增强MRI肝胆成像构建深度学习模型，对肝纤维化分期具有较高的诊断价值。本研究提出了一种用于肝纤维化自动诊断的5层DCNN结构，其准确度高于MRI工作站测量的ADC值的准确度，说明CNN自动检测方法在肝纤维化分期中具有较高的诊断价值。分析原因为MRI工作站测得的ADC值即是图片上勾画ROI内像素均值，而DCNN自动检测是提取图片的成像数据和图像分析、图像特征，所以获得图片信息高于ADC值。另外，MRI工作站测得的ADC值是需要在图片上勾画ROI，而ROI面积较小，需要在每个图片上测量较多ADC值，并且要测量所有图片，这显著增加了医师工作量及工作时间，此外，不同的医师技能水平不同，可能会受到主观因素的影响，误测位置进而影响诊断，而人工智能自动检测所有图片，这可以大大减少医师工作量及工作时间，通过对比得出DCNN可以更准确地得到结果，即DCNN可以作为一种辅助手段对慢性乙型肝炎肝纤维化进行诊断。

本研究存在以下不足之处：① 训练数据集较小，随着病例数的增加和训练量的增加，系统的性能会达到更高的准确度；② 本研究收集的数据来自同一家医院，可能存在数据偏倚，未来需收集来自不同中心的其他 MRI检查，以评估此测试的效率。

4 结论

DCNN自动检测方法在慢性乙型肝炎肝纤维化分期中具有较高的诊断价值，自动检测方法的准确度优于MRI测量的ADC值，可以更全面、深入地分析图像特征，减少人工诊断主观性带来的误差，进一步提高肝纤维化早期诊断的准确性，有望成为一种诊断监测肝纤维化和评估患者预后的有效方法，为临床治疗提供重要依据。