潘亞玲 王 昊 王晗琦 俞勤吉 牛鏡淇 陸 勇

深度學(xué)習(xí)是目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，其中深度卷積神經(jīng)網(wǎng)絡(luò)是近年來發(fā)展最為迅速的計(jì)算機(jī)視覺技術(shù)，被廣泛應(yīng)用于醫(yī)學(xué)圖像分析。病灶分割問題要求對(duì)醫(yī)學(xué)圖像中的特定異常區(qū)域進(jìn)行像素級(jí)分類，最終得到病灶區(qū)域掩膜。深度卷積神經(jīng)網(wǎng)絡(luò)在超聲、核磁共振等醫(yī)學(xué)圖像中，對(duì)處理病灶分割問題展現(xiàn)出很好的能力[1]。據(jù)WHO 統(tǒng)計(jì)，截至2020 年3月23 日04：03，全球新型冠狀病毒肺炎(coronavirus disease 2019，COVID-19)累計(jì)確診病例294110 例，累計(jì)死亡病例12944 例，已有187 個(gè)國家或地區(qū)出現(xiàn)確診病例。COVID-19 的確診依賴于核酸檢測(cè)和血清學(xué)檢測(cè)，但文獻(xiàn)報(bào)道核酸檢測(cè)存在一定的假陰性率且肺部影像表現(xiàn)可能早于檢測(cè)陽性報(bào)告[2]。CT 檢查密度分辨率和空間分辨率高，有利于檢出早期肺部炎性病灶，準(zhǔn)確評(píng)估病情嚴(yán)重程度，是COVID-19 首選的影像檢查方法[3]。為及早發(fā)現(xiàn)COVID-19 可疑病例和發(fā)掘COVID-19 區(qū)別于其他肺炎的影像特征，通過深度學(xué)習(xí)分割肺炎病灶，探究基于深度學(xué)習(xí)的肺炎病灶分割模型用于COVID-19CT 影像定量分析的可行性，為COVID-19 鑒別診斷提供幫助。

方 法

1.一般資料

建立肺炎病灶分割模型的數(shù)據(jù)集由院內(nèi)采集的86 例不同程度典型肺炎表現(xiàn)的病例組成，導(dǎo)出CT 掃描的Dicom 圖像文件，通過ITK-Snap 工具對(duì)肺內(nèi)炎性滲出的實(shí)性和磨玻璃病灶進(jìn)行像素級(jí)分割標(biāo)注。標(biāo)注分為兩輪進(jìn)行，在窗寬1500HU、窗位-400HU的肺窗下進(jìn)行觀察和標(biāo)注，第一輪由一名放射科醫(yī)師初步勾畫病灶區(qū)域，第二輪由另一名放射科醫(yī)師獨(dú)立審核修改病灶區(qū)域細(xì)節(jié)。其中訓(xùn)練集73 例，測(cè)試集13 例。

建立肺炎分類模型的數(shù)據(jù)集由院內(nèi)采集的胸部CT 圖像構(gòu)成。依據(jù)病例中無可疑滲出及實(shí)變、存在微小磨玻璃影或條索影及存在大面積實(shí)變和磨玻璃影等典型肺炎表現(xiàn)分為三類，由一名放射科醫(yī)師進(jìn)行評(píng)估。根據(jù)比例均衡原則，構(gòu)建訓(xùn)練集217 例，測(cè)試集56 例，見表1。

驗(yàn)證肺炎病灶分割模型和定量分析的CT 影像從2020 年1 月20 日至2020 年2 月1 日在發(fā)熱門診就診并取得上海疾控中心RT-PCR 檢測(cè)結(jié)果的28 例COVID-19 疑似病例中獲得。按照核酸檢測(cè)結(jié)果，7 例為COVID-19 陽性，21 例為COVID-19 陰性。CT 影像數(shù)據(jù)以Dicom 格式導(dǎo)出，肺炎病灶分割模型預(yù)測(cè)后，由一名放射科醫(yī)師對(duì)分割結(jié)果進(jìn)行確認(rèn)，然后用于圖像特征定量分析。

2.CT 檢查方法

CT 數(shù)據(jù)由16 排(Lightspeed Pro16，Lightspeed VCT； GE Medical Systems，Milwaukee， IL) 或40 排((uCT 528，Shanghai United Imaging Healthcare Co.，Ltd. China) CT掃描儀采集。掃描參數(shù)：管電壓120kVp， 自動(dòng)調(diào)節(jié)管電流100 ～350mAs，轉(zhuǎn) 速0.75s/r，準(zhǔn)直40mm×0.55mm，采用層厚1 ～1.5mm 的肺窗重建。

3.模型訓(xùn)練方法

我們提出的肺炎病灶分割和肺炎分類模型包含兩個(gè)步驟，見圖1。肺炎病灶分割模型在CT 圖像中得到磨玻璃和實(shí)變等肺炎病灶的精確輪廓，分割結(jié)果后續(xù)用于對(duì)病灶的精確、定量分析。肺炎分類模型根據(jù)肺炎病灶分割模型的輸出結(jié)果，整合CT 圖像中所有分割病灶結(jié)果，得到一個(gè)概率值來評(píng)測(cè)受檢者為肺炎的可能性，此結(jié)果有助于優(yōu)化閱片工作流。

我們使用目前在各類醫(yī)學(xué)圖像分割任務(wù)中均表現(xiàn)突出的深度學(xué)習(xí)模型nn-Unet 框架進(jìn)行肺炎病灶分割[4]。該框架對(duì)圖像分割中的各個(gè)環(huán)節(jié)，包括圖像預(yù)處理、網(wǎng)絡(luò)架構(gòu)、學(xué)習(xí)過程和損失函數(shù)等都進(jìn)行了自動(dòng)化的優(yōu)化和參數(shù)估計(jì)，從而針對(duì)不同的分割任務(wù)和數(shù)據(jù)集均能達(dá)到較優(yōu)的效果。鑒于在病灶分割基礎(chǔ)上進(jìn)行肺炎分類信息充分，故采用隨機(jī)森林方法構(gòu)建肺炎分類模型。根據(jù)nn-Unet 輸出的肺炎病灶分割結(jié)果，進(jìn)一步計(jì)算磨玻璃病灶體積占肺部的比例、實(shí)變病灶占肺部的比例和磨玻璃病灶亮度的統(tǒng)計(jì)值，以上述三個(gè)特征訓(xùn)練隨機(jī)森林模型，得到CT 影像的肺炎分類預(yù)測(cè)值。肺炎病灶分割模型和肺炎分類模型參數(shù)分別見表2 和表3。

表1 肺炎分類模型的數(shù)據(jù)集劃分

表2 肺炎病灶分割模型參數(shù)

4.影像分析方法

使用上述肺炎病灶分割模型， 在28 例COVID-19 疑似患者的CT 影像上進(jìn)行病灶分割。由1 名放射科醫(yī)師審核和修正分割結(jié)果，計(jì)算肺炎病灶分割模型在COVID-19 疑似患者CT 影像上分割病灶的Dice 系數(shù)、精準(zhǔn)度及召回率。使用一個(gè)已報(bào)道的基于漸進(jìn)分割網(wǎng)絡(luò)的肺葉分割模型將肺炎病灶進(jìn)行肺葉定位[5]。統(tǒng)計(jì)每例COVID-19 疑似患者的病灶平均密度和密度標(biāo)準(zhǔn)差及各個(gè)肺葉的受累體積占比。采用獨(dú)立樣本T 檢驗(yàn)進(jìn)行COVID-19 陽性病例與陰性病例組間比較。

結(jié) 果

肺炎病灶分割模型采用Dice 分?jǐn)?shù)、病灶像素精準(zhǔn)度(Precision)及召回率(Recall)作為評(píng)價(jià)指標(biāo)。使用ISBI 中報(bào)道的Focal-Tversky Unet 模型[7]作為對(duì)比模型。通過對(duì)比發(fā)現(xiàn)，本研究提出的肺炎病灶分割模型的Dice 系數(shù)和精準(zhǔn)度較Focal-Tversky Unet模型更高，見表4。

肺炎分類模型采用靈敏度和特異度作為評(píng)價(jià)指標(biāo)，并針對(duì)典型肺炎病例的檢出能力繪制ROC 曲線，見圖 2。肺炎分類模型檢出肺炎的ROC 曲線下面積為0.990，在切點(diǎn)處靈敏度和特異度分別為95.0%、97.2%。

表3 肺炎分類模型的參數(shù)

表4 肺炎病灶分割模型的分割效能

表5 新型冠狀病毒肺炎陽性與陰性病例影像學(xué)特征比較

圖1 肺炎病灶分割與分類的整體流程。

圖2 肺炎分類的ROC 曲線。

采用肺炎病灶分割模型對(duì)28 例COVID-19 疑似患者的CT 影像進(jìn)行病灶分割，一名放射科醫(yī)師對(duì)病灶分割結(jié)果進(jìn)行審核和修正，見圖3。與修正結(jié)果比較，肺炎病灶分割模型的Dice 系數(shù)為41.9%，精準(zhǔn)度67.7%，召回率40.1%。病灶分割結(jié)果修正后，使用肺葉分割模型將肺葉分割結(jié)果與病灶分割結(jié)果對(duì)應(yīng)，定量、對(duì)比分析COVID-19 陽性病例與陰性病例的影像學(xué)特征差異，見表5。相較于陰性病例，COVID-19陽性病例中病灶密度均值更高(P=0.04)，且受累肺葉數(shù)量更多(P=0.01)。

討 論

本研究采用目前醫(yī)學(xué)圖像分割領(lǐng)域先進(jìn)的nn-Unet 框架建立肺炎病灶分割模型，在病灶分割基礎(chǔ)上輸入手動(dòng)設(shè)計(jì)的特征，采用隨機(jī)森林方法建立肺炎分類模型，研究結(jié)果顯示上述方法能夠較好的發(fā)現(xiàn)肺炎病例。由于磨玻璃滲出病灶的邊界在CT 影像中比較模糊，且其在肺炎病灶中占比較大。因此，對(duì)該類肺炎病灶分割標(biāo)注、評(píng)估、度量較為困難。從CT 影像中可知，盡管肺炎病灶分割模型的度量指標(biāo)不高(Dice 系數(shù)為0.545)，但在分割視覺效果上尚可接受，并且足以支撐肺炎分類結(jié)果。

圖3 肺葉和肺炎病灶分割和修正結(jié)果。A.原始CT 圖像 B.肺葉分割結(jié)果 C.病灶分割結(jié)果 D.經(jīng)審核和修正的病灶分割結(jié)果。

通過普通肺炎病例訓(xùn)練的肺炎病灶分割模型，經(jīng)COVID-19 患者CT 影像驗(yàn)證發(fā)現(xiàn)，盡管CT 數(shù)據(jù)來源于不同的肺炎患者，但基于深度學(xué)習(xí)的肺炎病灶分割模型仍然能保持一定水平的準(zhǔn)確度，這說明該模型對(duì)不同肺炎類型的病灶分割具有一定的魯棒性。通過基于病灶分割和肺葉分割的結(jié)果定量分析，我們發(fā)現(xiàn)新COVID-19 的潛在影像學(xué)特征。與陰性病例相比，COVID-19 陽性病例的病灶平均密度更高，更容易累及多個(gè)肺葉，與其他已報(bào)道的影像學(xué)特征發(fā)現(xiàn)相符合[8-9]。通過計(jì)算機(jī)輔助病灶分割，有助于肺炎病灶影像學(xué)特征定量分析，有望促進(jìn)COVID-19 的影像學(xué)特征研究。