徐佳薇 武 杰 雷 宇

脑血管病发病率高，是我国所面临的一项重大卫生健康问题［1］，一旦发生脑血管意外，则有较高的风险会导致残疾，甚至死亡。在发病早期及时发现脑血管病影像中的异常，可以有效降低脑血管意外的发生。在传统的脑血管病诊断流程中，主要依靠医学影像设备成像，由临床医生阅片，并根据经验独立作出诊断，但是培养一名成熟的临床医生需要大量的时间成本，无法匹配日益增长的诊断需求。信息化的医学诊疗模式促使传统的诊断手段发生转变，如何最大程度地利用获取到的脑血管病影像信息，从而更好地对脑血管病进行诊断和病情评估有着非常重要的意义。随着深度学习技术的不断革新，提取肉眼无法捕获的微小特征信息并进行分析和处理成为可能，大大提高了信息的利用率，最终实现脑血管病精准诊断、评估和预后，为确定患者的后续治疗方案提供可靠的依据。本文阐述了深度学习在脑血管结构和病灶分割、脑血管病诊断和预后中的应用进展，指出了深度学习在脑血管病诊疗中存在的问题，并对未来的发展前景进行了展望。

深度学习简介

得益于生物医学技术不断发展，我们可以通过现代设备轻松获得大量的生物和生理数据，这些数据帮助我们理解和识别人类健康与疾病。基于深度学习的神经网络算法在指导、增强和提取复杂数据的特征和学习模式方面表现出了独特的优势。通过建立深度学习模型来对数据样本的内在规律进行学习，得到数据的分布式特征表示，在图像处理领域具有突出的技术优势。近些年来，深度学习技术在医学图像处理方面的精度与速度都大有提升，极大地缓解了临床医生的压力，将其应用于脑血管病影像的处理有望为脑血管病诊疗带来全新的变革。

1. 深度学习模型的架构

在深度学习技术发展初期，主要是对模型框架的深度、宽度等方面进行优化，可以提高模型的抽象能力，使提取到的特征信息更为丰富，但是增加模型的宽度和深度也存在着上限，深层模型会出现梯度消失和梯度爆炸问题，且模型宽度过大会导致参数过多，增大了出现过拟合的可能性，使模型优化困难。为此，需要进一步研究提升特征信息利用率的优化方法，使用扩大感受野、权值共享、融合浅层和深层特征等方法进行改进。表1 汇总了部分性能优秀的深度学习模型。

表1 深度学习模型框架

2. 深度学习模型的评价指标

图像分类在各类深度学习任务中是最基础的，其评价指标主要有精确率（precision）、 召回率（recall）、F1-Score、混 淆 矩 阵、ROC （receiver operating characteristic） 曲 线 和AUC （area under curve）等。精确率定义为识别正确的物体数占总识别数量的比例，召回率定义为识别正确的物体数占样本总体数量的比例。只有当精确率和召回率同时达到较高的水平时，它们的调和平均数F1-Score 才会很高。混淆矩阵能够反映出类别间的误分情况，可以用于了解类别间的错分概率。ROC 曲线即受试者工作特征曲线，描述了一个模型在不同阈值下的性能，AUC 为ROC 曲线下面积，AUC 的值越接近1，证明分类效果越好。

除了在分类任务中的评价指标外，在检测任务中还包括了平均精度AP（average precision）和平均精度均值mAP（mean average precision）等评价指标。AP 由P-R（precision-recall）曲线下面积求得，描述了模型对单个类别的识别性能，mAP 则是作为模型的整体性能评价指标。

对于分割任务，通常采用Dice 系数作为评价指标。它可以计算两个集合的相似度，Dice系数越接近1，模型的分割性能越好。针对各自深度学习任务选择合适的评价指标有助于评估模型性能，并作出优化和改善。

深度学习在脑血管病分割中的应用

1. 深度学习在脑血管结构分割中的应用

脑血管病通常表现为血管的形态特征出现异常，包括血管的狭窄、闭塞，分叉增多等等。通过分割脑血管结构，可以提取感兴趣区域，忽略其他区域带来的干扰，清晰地观察脑血管的结构异常，可以帮助医生正确判断脑血管病变的程度，更准确、有效地判断病情，避免误诊。颅内血管分割在脑血管病的诊断和手术计划中起着至关重要的作用。但由于脑血管图像存在血管特征小、血管重叠、颜色对比不明显等特点，脑血管的分割一直是研究的重点和难点。秦志光等［2］将经过高斯和拉普拉斯处理后的脑部CT 血管造影图像（CTA）和原始图像构成的多模态图像输入卷积神经网络（convolution neural network，CNN）中进行并行分割，最后利用线性回归对多个分割结果进行处理提取出脑血管，平均Dice 系数为0.705 5。但是该方法将图像划分为多个图像小块（patch），丢失了各部分之间的空间联系，使分割的结果还包括了部分颅外血管。Ni 等［3］提出了全局通道注意网络（GCA-Net），引入通道注意机制融合高级特征和浅层特征，建立一个上采样模块（USM），从而更好地学习全局特征信息。还引入了空间金字塔池化（ASPP）来获取不同分辨率的特征图中的更多细节。实验结果表明，该方法可以分割出脑血管结构。但该方法提取单一特征作为分割特征，不利于信息密集的血管分割任务。

2. 深度学习在脑血管病病变区域分割中的应用

脑缺血是因为脑血管发生了阻塞，使大脑缺氧，造成不可逆转的损伤。所以，在临床上非常重视对其的治疗，患者需要进行及时有效的治疗，把损伤的程度控制在一定的范围内。Naofumi等［4］使用深度残差神经网络在慢性缺血性脑卒中患者的核磁共振（MRI）T1 加权像上对脑组织病变进行体积分割。但是该方法仅将栓塞性卒中图像数据纳入训练，鲁棒性较差，且对小病灶的分割效果并不理想。Karthik等［5］提出了一种深监督全卷积网络（FCN）来分割缺血性病变。在网络的最后两层中应用渗漏整流单元（LReLU）激活，精确重建缺血性病变，使网络能够学习多种特征。实验证明该方法的平均Dice 系数为0.70，分割效果好。

脑出血（ICH）的致残率和死亡率都很高，临床实际工作中，血肿形态往往不规则［6］。因此，准确、快速地分割脑出血区域对脑出血的临床诊断和治疗具有重要意义。张天麒等［7］将U-Net 模型与轮廓识别方法相结合，使用阈值分割法得到血块的图像纹理特征，并定位颅内出血点，再对出血区域进行插值，评估血块的三维形态，实现针对颅脑CT 影像中脑出血的分析和识别，算法达到97.4%的目标识别准确率。但是其他病灶如钙化灶等识别效果较差，且三维建模插值算法存在一定不足，无法准确补全断层信息。Yao 等［8］提出了一种基于扩展卷积的多视点CNN 结构，对不同尺度的特征进行提取和融合，以提高分割性能。并且使用了一种新的混合损失函数，利用不同窗口中心和宽度调整对比度的CT 扫描结果，提高了网络的泛化能力，平均Dice 系数为0.697，AUC 为0.853。但是该方法只是分割了整体的急性出血区域，而无法区分不同的血肿类型，如脑实质内血肿、脑室内血肿和蛛网膜下腔出血，因此无法判断脑出血所造成的后果。

深度学习在脑血管病诊断中的应用

脑微出血（CMBs）是小型的慢性脑出血，已被视为各种脑血管疾病（包括中风，功能障碍，痴呆和认知障碍）的诊断指标。Liu 等［9］提出了一个两阶段的CMBs检测框架，其中包含一个基于磁敏感加权成像（SWI）合成图像的三维快速径向对称变换的候选检测阶段，以及基于深度残差神经网络的假阳性抑制阶段，检测准确率达到95.8%，有较好的检测效果。但是该方法可能多个连接的CMBs 可能被算作一个CMBs，小病灶可能被漏检。由于常用的深度学习模型都是基于二维图像开发的，但是针对医学图像中的三维图像可以采用三维卷积对其进行处理，相较于二维卷积，三维卷积在卷积核上增加了表示深度的维度。Dou 等［10］提出了一种基于三维卷积神经网络（3D CNN）的CMB 检测级联框架。利用三维FCN 的策略来检索具有高概率的候选CMBs，然后应用训练良好的3D CNN 判别模型来诊断CMBs。消除了大量的冗余计算，大大加快了检测速度，准确率高达93.16%。但该方法没有纳入SWI 滤波的相位图像，不易区分CMBs和钙化点，且可能错误地检测到一些尺寸不规则的CMBs。Mohammed 等［11］使用基于区域的YOLO 网络对潜在的CMBs 候选检测，并使用3D CNN 减少误检。将SWI 相位图像作为网络的双通道输入，使得YOLO能够学习更可靠和更具代表性的层次结构特征，从而获得更好的检测性能。但是该方法的临床实际应用还需要进一步探讨。

血管源性腔隙与中风、步态障碍和痴呆的风险增加相关，是小血管疾病的主要影像学特征。腔隙的量化对于阐明神经退行性疾病背后的机制可能非常重要，且是小血管疾病研究标准的一部分。Mohsen等［12］设计了一个两阶段的深度学习模型检测卒中患者MR图像中的血管源性腔隙。首先使用一个FCN网络来进行初步检测，其次使用3D CNN 减少假阳性，通过多尺度分析和位置特征的整合，为网络提供上下文信息，实验结果表明该方法检测效果良好。

脑卒中是全球最主要的死亡原因之一，及时地发现脑卒中的发病，并在脑卒中早期启动治疗程序可以大大提高患者的生存概率，因此自动化的脑卒中诊断是十分必要的。Anjali 等［13］采用多聚焦图像融合的方法对脑CT 扫描图像进行预处理，把预处理后的图像输入到13 层CNN 结构中进行分类，将图像分为出血性脑卒中、缺血性脑卒中和正常脑卒中。通过对两个不同的数据集进行两个实验，准确率分别为92.22%和93.33%，验证了该方法的泛化能力与鲁棒性。Nishio 等［14］开发和评估了一个包含两阶段深度学习模式的自动急性缺血性卒中检测系统。利用YOLO V3模型和VGG 16分类模型，提高了放射科医生对诊断急性缺血性卒中的敏感性。但是该研究主要集中在急性缺血性卒中检测系统的开发上，因此该系统的临床应用价值有限。

大脑疾病可能会导致一些关键功能的丧失，如思维、言语和运动。因此，早期发现脑疾病有助于及时得到最佳治疗。Yukinori 等［15］采用VGG 16 神经网络，对烟雾病、动脉粥样硬化患者和正常人进行分类，最终的准确率分别为92.8%、84.8%和87.8%。Midas 等［16］采用CNN 在4D-CTA 图像中检测颅内前循环动脉闭塞，准确率达到92%。但是该研究没有分类或定位不同类型的闭塞，且数据集中没有纳入双侧血管闭塞的患者，具有一定的局限性。

深度学习在脑血管病预测中的应用

脑血管病需要尽早预防、尽早治疗，尤其是脑卒中，其发病迅速，后果严重。Liu等［17］使用混合机器学习方法来预测脑卒中的发生。在分类前采用随机森林回归对缺失值进行插补，再将基于深度神经网络（DNN）的自动超参数优化（AutoHPO）应用于非平衡数据集上来作卒中预测。该预测方法的准确率为71.6%。姜亮等［18］利用InceptionV3 模型构建基于扩散加权成像（DWI） 和液体衰减反转恢复序列（FLAIR）的深度学习模型预测急性脑卒中的发病时间，AUC达到0.852，预测效果好。

灌注图像反映了局部组织血流灌注量的改变，可以提高脑梗死诊断的灵敏度［19］，对明确病灶的血流供应具有重要意义。Vargas 等［20］采用一个卷积神经网络叠加在长短时记忆层上来预测急性缺血性中风患者灌注是否存在不足和偏侧，预测准确率为85.8%。Noelie 等［21］将磁共振灌注图像输入到卷积神经网络，成功预测了急性脑卒中最终梗死体积。上述实验结果表明使用深度学习技术预测脑卒中的发病可能和灌注情况是可行且有效的，可能为患者存活带来新的希望。

预后可分为自然预后和干预预后，在患者经过治疗之后，评估治疗的结果也是非常重要的，对于下一步的治疗方法有着参考性的作用。Hilbert 等［22］将ResNet 与结构化接收场（RFNN） 和自动编码器（AE）相结合，用于网络权值初始化。利用CT 血管造影图像建立模型，实现了血管内治疗后的再灌注和功能结果的预后。

深度学习方法在其他脑血管疾病的预测研究中也取得了进展。Martins等［23］开发了3种ANN 模型，根据临床数据预测患者出现复发性静脉血栓栓塞症（RVTE）的概率。实验证明模型的准确率最高可以达到92.8%，AUC 为0.977，可帮助临床医生确定静脉血栓栓塞的治疗方案。此外，用于预测症状性脑血管痉挛（SCV）和早期神经系统退化的网络模型也已被开发。这些研究结果显示深度学习方法在疾病预测和预后方面有很高的应用价值，未来还需要进一步提升深度学习技术的效能。

总结与展望

本文主要针对深度学习在脑血管病诊疗中的应用进行阐述，包括病变分割、疾病识别和预测方面。深度学习作为目前正流行的研究方向，与医疗领域相结合更是当下的研究热点。但是深度学习在医疗领域的应用还面对着一些问题：①模型的鲁棒性和泛化能力较差，实验数据规模较小，且只能针对某一种特定的任务取得较好的准确率，难以在实验数据以外的通用任务中得到验证与推广；②各医院医疗设备质量参差不齐，不可避免地存在不同程度的噪声影响，数据间差异化较大，无法获得统一的、高质量的数据；③模型缺乏可解释性，由于其“端到端”的运行特性，无法明确其运行机制，使临床医生在实际应用中出现理解和使用上的困难，因此亟待开发适用于临床的决策工具。

目前医学成像应用中可用的样本量相对较小。这主要是由于医学数据采集和标注成本较高造成的。样本量小可能导致过度拟合和泛化能力差。可以使用迁移学习，在源域中借助已有的数据集进行训练，固定模型浅层的训练参数，并对模型的深层参数进行微调，迁移到目标域中，可以有效解决脑血管病数据集规模较小，难以训练的问题。此外，还可以使用数据增强来扩增图像数据集，例如几何变换和颜色变换，或者使用生成式对抗网络（GAN），基于无监督的学习方式完成数据增强。另外，还可以考虑将深度学习应用到动态医学影像中，考虑图像的时间特征，使脑血管病诊断更加多维。同时，我们需要加快建设信息共享平台，对医疗数据进行统一管理，制定统一的数据集制作标准，以期实现对医疗数据的高度整合。未来深度学习将与医疗领域更进一步融合，智慧医疗将离我们越来越近。