预处理对脑血管分割深度学习系统的影响研究

冯建树，关明鑫，冷一峻，冯建兴，高恒

（1.南通大学附属江阴医院 神经外科，江苏 无锡 214000；2.上海皓桦科技股份有限公司，上海 200240）

脑血管疾病是一种多发于中老年人群中的高风险疾病，随着当前我国老年人口数量的逐渐增加，脑血管疾病的发生率也呈现出逐渐增加的趋势，需要引起临床重视［1］。由于脑血管功能和位置的特殊性，临床治疗需要准确掌握脑血管结构状态信息。目前脑血管疾病的诊断方法有很多，例如头颅计算机断层扫描（computed tomography,CT）诊断、多普勒超声技术诊断以及磁共振成像技术等［2-5］。其中，磁共振血管成像（magnetic resonance angiography,MRA）是研究脑血管的重要手段，利用磁共振独特的流空效应，可显示血管血流的速度和方向，对了解脑血管疾病的发病机制、术前诊断和治疗具有重要意义［6］。

脑血管分割是基于MRA 进行脑血管分析的关键环节。然而，脑血管分割的准确性受到诸多因素影响，例如：脑血管形状复杂多变，动态变化的成像灰度和部分细小结构不利于分割任务［7-8］；手工分割方法费时费力且缺乏复现性，传统分割方法欠缺高精度，难以满足临床应用的需要［9］。这些问题的存在使得精准的脑血管分割困难重重。目前，深度学习已经在性能上超越了传统的机器学习技术，能够学习样本数据的内在规律，并在医学图像处理领域取得了显著性进步［10］。深度学习已被应用于脑血管分割任务，但目前的深度学习方法依旧存在精度和泛化性较低、对小血管分割表现不佳等问题［1,8-9,11］。MRA 图像的预处理是后续分割任务之前的重要步骤，对图像有效的预处理有可能对后续深度学习模型的性能产生积极影响［7］。

MRA 结合深度学习脑血管分割可以有效用于脑血管研究，但脑血管分割存在形状差别大、存在细小结构等问题，因此需要有效的预处理方案。本文拟结合深度学习，通过组合MRA 图像的多种预处理操作，比较不同的预处理方法对深度学习模型效果的影响，最终确定一套有效的预处理方案，减少磁共振影像设备的不同以及成像存在的问题对深度学习系统进行脑血管分割能力的影响，提高模型的准确率以及鲁棒性。

1 资料与方法

1.1 研究对象和数据收集

本研究选取2021 年1 月至2022 年6 月于江阴市人民医院行头颅MRA 检查的393 例健康受试者为研究对象。纳入标准：头颅MRA 检查提示无异常；排除标准：①有磁共振成像（magnetic resonance imaging,MRI）检查禁忌证：安装心脏起搏器、体内有金属性内植物、幽闭恐惧症或怀孕三个月以内；②头颅MRA 检查提示存在脑血管异常。

时间飞跃法MRA（time of flight MRA,TOFMRA）数据采集使用佳能3.0T MRI 扫描成像系统［Vantage Titan 3.0T，佳能医疗系统（中国）有限公司］，8 通道头颈部联合线圈完成。对所有受试者进行横断面扫描，扫描范围为颈根部到胼胝体上方位置。采用3D 快速场回波（fast field echo,FFE）序列，扫描参数如下：重复时间（repetition time,TR）23 ms，回波时间（echo time,TE）3.5 ms，翻转角20°；扫描野（field of view,FOV）201 mm×201 mm，重建矩阵1 024，重建像素0.24 mm×0.24 mm×1.2 mm，扫描层数180，层厚1.2 mm，重叠60%，敏感性编码（sensitivity encoding,SENSE）值为1.8，扫描时间536 s。

脑血管标注由两名神经外科医师共同完成。由一名神经外科主治医师通过ITK-SNAP 软件对选取病例MRA 原始图像进行血管标注；另一名副主任医师进行审核，两者意见一致则确定标注结果，意见不一致时协商确定结果。

1.2 预处理方法

其中，maskseg和maskgt分别表示深度学习模型分割得到的血管区域和真实血管区域，|X|表示集合X的大小，即区域的体素数。

1.2.1 图像归一化 图像归一化处理是图像处理中的一项基础工作，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据归一化处理后，各指标处于同一数量级，转换函数如下：

本研究使用的MRA 脑血管分割深度学习网络为优化的3D U-Net［14］，其具体架构见图1。该网络由卷积层、激活层、池化层和上采样层组成，先进行卷积与池化层的下采样，将128×128×128的图像，卷积到8×8×8，再进行反卷积的上采样操作还原到128×128×128 的大小，每一次降采样后的特征图（feature map）都会与上采样到相同尺寸的特征图拼接组合（concate）成新的特征图再进行后续的上采样操作，最后使用1×1×1 的卷积，将特征图降维到2。该网络可以在学习的过程中提供高分辨率的特征，更好地利用原始图像的信息。

1.2.3 颅骨剥离 颅骨、头皮、硬脑膜等结构可能会影响到算法性能，因此需要将脑组织从非脑组织中提取出来，该过程称为颅骨剥离。本研究中的颅骨剥离使用基于Python 的HD-BET 算法（https：//github.com/MIC-DKFZ/HD-BET）完成。

1.2.2 中值滤波 中值滤波是一种非线性滤波，可消除MRA 数据中的噪声。它将每个体素替换为围绕这个体素的矩形范围内的中值，可以在抑制噪声的同时保持图像细节，公式如下［12］：

由于白银货币化，整个社会对白银的需求量日益增长，许多人为白银四处奔走。一些后开发地区的银矿被发现，并因此带来了人流、物流、资金流、技术流，社会资源被重组，山区被开发。在狂热追逐白银的情况下，白银不仅是社会财富的直接化身，而且成为物质世界和精神世界统辖者。于是，白银文化应运而生。主要表现如下：

其中xnorm和x分别为归一化后和原始的样本数据值，xmax和xmin分别为样本数据的最大值和最小值。在归一化前，对图像数据以（0,1 000）阈值进行截断。

1.2.4 直方图匹配 直方图匹配，是指将一幅图像的直方图变成规定形状的直方图而进行的图像增强方法，可以纠正MRI 图像间的组间变异性。组间变异性，指的是由于脑MRI 图像的成像设备与成像参数不同，数据可能存在显著差异［1］，表现出对于相同组织类型的不均匀的强度表示。本研究中的直方图匹配使用Python 中SimpleITK 库的HistogramMatching 函数完成。

1.2.5 偏置场校正 MRA 普遍存在强度不均匀性（intensity-non-uniformity,INU）的问题，偏置场校正旨在消除在整个图像上显示为平滑变化信号的强度偏差［13］。为解决磁场和线圈的不均匀性导致的杂散强度变化问题，偏置场校正通过将原始图片叠加上一个偏移场得到校正后强度均匀的图片。本研究中的偏置场校正使用ANTs（Advanced Normalization Tools）软件的N4BiasFieldCorrection函数完成。

两次关键性任务在初次完成时，要达到80分，低于此分数的学生要在拿到分数一周内找老师咨询修改意见，并在最多五个工作日内提交修改稿。如果依然没达到80分的成绩，就要重做此项作业，并在期末考试前一周提交。这是最后的补救机会，还达不到标准将导致该门课程不合格。

1.2.6 配准 图像配准是基于某种标准，将一幅或多幅图像最优映射到目标图像的方法。通过将MRA 图像配准到统一标准的影像上，以保证相同的部位具有相同的生物学上的意义，以减小由于影像的多样性、未完全按照规范操作导致的头部倾斜、先天等因素导致的头骨不标准等现象的影响。

老贾解释，原来，古董讲究物以稀为贵，如果是举国无双的至宝，价格自然惊人。或者是天下唯二唯三的珍品，当然也是价格不菲。但是如果说到古钱币，因为货币本身就具有易于贮藏和携带的特征，所以保存起来不但方便，而且数量也不少。试想存品超过千，多于万之后，单一钱币的价值自然是严重的通货膨胀。再加上古钱币本身的材料多为铜铁，做工也不会太过复杂，所以单纯的艺术价值也不高。少了古董的稀缺性，本身又不值钱，古钱币敢情就变成古董界里后妈养的孩子，和珠宝字画之类亲儿子的待遇不可同日而语。

1.3 深度学习模型构建及评估

高铁CPⅢ网测量时，测站搬站的纵向间距为60 m或120 m，考虑到高铁CPⅢ点纵向间距为60 m，即相邻测站的间距与CPⅢ点纵向间距相等或是其2倍[4]。在城市轨道交通中每个测站观测8个控制点时，共有相邻测站间距与控制点纵向间距相等或是其2倍两种外业测量网形。

图示1中所示横坐标12个名称显示为调查内容，纵坐标显示为两个群体的不同评价，其中实线标识为企业员工，虚线标识为到访游客。调查问卷最后题目问及“是否乐意向朋友推荐其到本园区旅游观光”，其中企业员工的均值为3.63，而到访游客的均值为4.26，这个结果能够与前面的调查内容保持一致性。

图1 MRA 脑血管分割任务的U-Net 网络框架

网络的构建与训练基于Pytorch 完成，训练使用的显卡为NVIDIA GeForce GTX 1080Ti 12GB。该网络接受128×128×128 的体素数据输入，每个体素被标注为血管或非血管区域。393 例图像数据以9∶1 的比例分为训练集和测试集。输入前，所有训练集或测试集数据被重采样为128×128×128。训练方式为滑动窗口方法，overlap 为64。学习率为1e-3，优化方法为适应性矩估计（Adam）+随机梯度下降（stochastic gradient descent,SGD），Adam 参数β1=0.9，β2=0.999，ε=1e-8。损失函数使用交叉熵损失函数，批大小（batch size）为2。测试方式为与训练相同的滑动窗口方法，overlap 为64，对测试图像的每个体素得到属于血管区域的概率值，大于阈值0.5 则认为该体素属于血管区域。

从日常营运资金来源及净资产角度，社会组织资产包括：会费收入；社会组织在核准的业务范围内开展社会服务、提供有偿服务（如培训、咨询等）所取得的收入；社会捐赠所形成的资产；会员企业提供赞助形成的非限定性净资产；社会组织参与政府购买服务所得形成的非限定性净资产；依法保值增值形成的收益以及其他合法性收入形成的资产；接受财政拨款形成的净资产为限定性净资产；社会组织利用现有的资源举办行业交流会、展会等取得收入所形成的非限定性资产。可见，资产来源渠道复杂多样，使得从来源上界定权属存在一定难度。

对每个预处理方案的深度学习模型，计算交并比（intersection over union,IoU）和Dice 相似系数（dice similarity coefficient,DSC），以比较不同预处理方案对模型性能的影响。IoU 和DSC 均可用于衡量两个集合的重叠程度，计算公式如下：

对MRA 图像数据，在网络训练前，按照如下流程进行预处理：对于图像归一化、中值滤波、颅骨剥离、偏置场校正、配准、直方图匹配六种预处理步骤，依次添加新的步骤，比较新的步骤组合与先前的最优步骤组合的深度学习模型性能，若优于最优步骤组合则保留该步骤，按照该流程反复，直至确定最优的预处理步骤组合。深度学习模型性能的评估方法见节1.3。

其中xmed为中值滤波后的数据值，S为围绕这个体素的矩形范围，xijk表示坐标为(i，j，k)的样本数据值，med 表示取中值。本研究中的中值滤波使用Python 中SimpleITK 库 的MedianImageFilter 函数完成。

在比较IoU 和DSC 指标后，确定性能最优的预处理组合方案。

依据独特的产业优势，扬中近年来加快智慧产业建设进程。2017年推动威腾股份与GE联合打造“数字化工业转型项目”，与阿里云合作搭建国内首个“智慧电气云”。积极明确产业定位并加快建设新坝智慧电气小镇。同时，扬中加大与北自所、中科院等企业和科研院所的接洽，探索打造扬中智能制造工业产业云，产业转型升级步伐进一步加快。

不同预处理方法的深度学习分割效果如图2所示。结果显示，除颅骨剥离+图像归一化的预处理方案分割效果较差外，其他预处理方案的分割效果较为接近。

2 结果

2.1 受试者基本情况统计

本研究共纳入393 例健康受试者，基本情况统计信息见表1。

表1 393 例受试者基本情况（例）

2.2 不同预处理方法的深度学习分割模型结果比较

不同预处理方法的深度学习分割模型结果如表2 所示。结果显示，图像归一化能够提升深度学习分割模型的性能，在图像归一化基础上，仅偏置场校正和直方图匹配能进一步提升分割效果，而偏置场校正+直方图匹配+图像归一化组合后，未能进一步提升分割效果。偏置场校正+图像归一化预处理方案对脑血管的分割效果最佳，IoU 为0.796，DSC 为0.882；仅图像归一化、直方图匹配+图像归一化、偏置场校正+直方图匹配+图像归一化预处理方案的分割效果略次于最优方案；应用颅骨剥离后，分割模型性能明显降低。

表2 不同预处理方法的深度学习分割模型结果

同理Y2=(0.35,0.30,0.15,0.00)，Y3=(0.30,0.35,0.20,0.00)，Y4=(0.35,0.35,0.20,0.00)，Y5=(0.30,0.35,0.20,0.10)，Y6=(0.30,0.30,0.35,0.10)，Y7=(0.30,0.35,0.30,0.00)，Y8=(0.30,0.35,0.30,0.10)，Y9=(0.30,0.30,0.35,0.10)。

图2 不同预处理方法的深度学习分割效果

2.3 不进行预处理方案与最优组合预处理方案的结果对比

根据结果，确定性能最优的预处理流程如图3所示。首先，对原始图像进行偏置场校正，然后进行（0,1 000）阈值的截断，再进行图像归一化，使图像数据变为0～1 范围内。

图3 性能最优的预处理流程示意图

图4 显示了不进行预处理与最优组合预处理方案的分割效果对比，结果表明，偏置场校正+图像归一化预处理方案能够提升深度学习模型的脑血管病分割效果。

图4 不进行预处理与最优组合预处理方案的分割效果对比

3 讨论

脑血管分割是基于MRA 进行脑血管分析的关键环节，然而脑血管分割准确性受到形状差别大、存在细小结构等诸多因素影响［7-8］，因此需要有效的预处理方案。本研究应用深度学习，通过组合MRA 图像的多种预处理操作，比较不同的预处理方法对深度学习模型效果的影响。结果显示，本研究提出的偏置场校正+图像归一化预处理方案能够使深度学习模型对MRA 血管分割任务达到0.796 的IoU 和0.882 的DSC，优于其他的预处理方案，证明该流程能够有效提高深度学习系统进行脑血管分割的能力，提高模型的准确率和鲁棒性。

本研究中，偏置场校正+图像归一化预处理方案结合深度学习获得了最优的脑血管分割结果。在MRI 采集过程中，有很多固有特性无法消除，例如在磁场中数据流带宽和由磁场梯度驱动的涡流导致的图像伪影，而偏置场校正通过将原始图片叠加上一个偏移场得到校正后强度均匀的图片，能够消除在整个图像上显示为平滑变化信号的强度偏差，校正数据中的强度不均匀性［13］，进而提升分割效果。图像归一化则是通过将原始数据变换至同一范围，解决数据指标之间的可比性，合理的归一化方法能够使深度学习模型的精度和训练时的收敛速度提升［15］。

本研究中，直方图匹配+图像归一化、偏置场校正+直方图匹配+图像归一化预处理方案的分割IoU 和DSC 略低于最优方案。直方图匹配，是指将一幅图像的直方图变成规定形状的直方图而进行的图像增强方法，主要作用为纠正MRI 图像间的组间变异性。本研究中的MRA 图像数据基于相同的成像设备和成像参数得到，因此直方图匹配对于脑血管分割的效果影响可能并不明显。另外，结果中，进行颅骨剥离后的深度学习模型性能反而下降，主要原因是颅骨剥离使用的HD-BET 去除了过多的脑部区域，导致部分脑血管也被去除，使得分割得到的脑血管结果减少。更合理的颅骨剥离方法有待进一步研究和测试。

本研究针对基于深度学习的MRA 脑血管分割中的问题和难点，提出了偏置场校正+图像归一化预处理方案，能够提高脑血管分割深度学习系统的性能。本研究提出的预处理结合深度学习方案样本量为393 例MRA 图像数据，IoU 为0.796，DSC 为0.882。与以往研究相比，WANG 等［16］使用基于Otsu 算法的阈值分割算法，在10 例MRA图像数据上达到了0.84 的DSC；GUO 等［17］使用三个U-Net 网络分别在20 例MRA 图像的横断位、冠状位和矢状位切片进行训练，预处理方法仅进行归一化，用投票特征融合和基于连通域分析结合三个网络的结果，达到了0.8793 的DSC；SANCHESA 等［18］使用基于3D U-Net 和Inception模块的Uception 网络，以及除以图像最大强度值的归一化预处理，用32 例MRA 图像进行训练，达到了0.67 的DSC。对比表明，本研究的IoU 和DSC 优于WANG 等的结果，说明预处理结合深度学习的方法相比于传统的血管分割方法具有一定的优势；而与GUO 等的结果相比，本研究中的最优方法的性能与其接近，表明该方法能够在仅使用横断面信息的情况下达到相近的分割效果，因而具有更高的效率，证明该方法在提升MRA 血管分割深度学习模型的性能方面的能力。根据SANCHESA 等的研究结果，在相同的数据集上，Uception 网络具有相比3D U-Net 更优的性能，结合本研究确定的预处理方法并改进深度学习模型有望进一步提升分割效果。

本研究依旧存在一定的局限性：MRA 数据均使用相同成像设备和参数采集得到，针对不同成像设备和参数的MRA 数据有待测试；此外，本研究中最优预处理方案的IoU 离实际临床应用还有一定距离，需要结合数据量的扩充和深度学习模型的改进，提高模型的整体性能。

综上所述，本研究确定的偏置场校正+图像归一化预处理方案能够有效提升MRA 血管分割深度学习模型的性能，为基于MRA 和深度学习的脑血管分析提出了一套可行的预处理方案。