田潔綜述 馬曉海，趙蕾審校

心血管疾病死亡率在西方國(guó)家疾病譜中居于首位[1-2]。在我國(guó)，心血管疾病死亡病例占居民疾病死亡構(gòu)成比的40%以上，高于腫瘤及其他疾病[3]。及時(shí)診斷心血管疾病對(duì)患者預(yù)后至關(guān)重要。用于診斷和隨訪心血管疾病的影像學(xué)方法很多，其中心臟磁共振(CMR)是評(píng)價(jià)心血管系統(tǒng)結(jié)構(gòu)和功能的常用方法之一。CMR能提供精確的心臟結(jié)構(gòu)和功能、心肌運(yùn)動(dòng)和組織學(xué)特征等信息。心功能評(píng)價(jià)指標(biāo)包括射血分?jǐn)?shù)(EF)、心室舒張末期容積(VEDV)、心室收縮末期容積(VESV)和心室心肌質(zhì)量(VMW)等。心功能分析需要人工分割左心室的短軸電影序列圖像，主要是輪廓的分割，包括心內(nèi)膜和心外膜的分割。這是一項(xiàng)耗時(shí)的工作，左心室的分割平均需要30 min以上[1, 4]。目前雖然一些商用軟件可以自動(dòng)分割，但也需要人工輔助校正勾畫輪廓，因此疲勞誤差難以避免。

隨著計(jì)算機(jī)算法的進(jìn)步、計(jì)算能力的提高和可用數(shù)據(jù)的大量增多，近幾年深度學(xué)習(xí)(deep learning,DL)作為機(jī)器學(xué)習(xí)(machine learning,ML)的一個(gè)分支迅速發(fā)展，尤其在計(jì)算機(jī)視覺(jué)領(lǐng)域。在醫(yī)學(xué)中，基于放射信息系統(tǒng)(radiology information system，RIS)、醫(yī)學(xué)圖像存檔和傳輸系統(tǒng)(picture archiving and communication system,PACS)中大量病例，DL可從圖像中提取信息，本文將對(duì)DL在CMR左心室圖像分割中的應(yīng)用進(jìn)展作一綜述。

1 深度學(xué)習(xí)及其在醫(yī)學(xué)影像學(xué)中的價(jià)值

1.1 深度學(xué)習(xí)的意義 深度學(xué)習(xí)(DL)是機(jī)器學(xué)習(xí)(ML)的一種特殊算法，機(jī)器學(xué)習(xí)是人工智能(AI)的一個(gè)子集。人工智能(AI)概念在20世紀(jì)60年代提出，是指研發(fā)用于模擬、延伸和拓展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的學(xué)科，是融合了計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、腦神經(jīng)科學(xué)等前沿學(xué)科的綜合性學(xué)科[5]。在醫(yī)學(xué)應(yīng)用中，機(jī)器學(xué)習(xí)的方式包括監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)，監(jiān)督式學(xué)習(xí)主要用于有明確標(biāo)簽的數(shù)據(jù)，例如疾病分類、預(yù)后判斷等有明確診斷和結(jié)局的一類數(shù)據(jù)。無(wú)監(jiān)督學(xué)習(xí)即由無(wú)明確標(biāo)簽組成的數(shù)據(jù)，例如圖像的紋理、灰度等。在醫(yī)學(xué)應(yīng)用中，機(jī)器學(xué)習(xí)通常輸入從圖像中提取的重要特征集，使用統(tǒng)計(jì)的、數(shù)據(jù)驅(qū)動(dòng)的規(guī)則設(shè)計(jì)成特定算法程序，轉(zhuǎn)化為特定的輸出。例如，心臟輪廓的特征包括組織信號(hào)的對(duì)比差異、噪聲特征、紋理和運(yùn)動(dòng)等，當(dāng)特征數(shù)據(jù)收集完整，可使用訓(xùn)練集對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，之后可以對(duì)訓(xùn)練中未見(jiàn)過(guò)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，但預(yù)測(cè)結(jié)果受訓(xùn)練數(shù)據(jù)的影響較大。

而在自動(dòng)提取數(shù)據(jù)特征方面，DL具有良好的優(yōu)勢(shì)。DL不是一組預(yù)先設(shè)計(jì)好的程序指令，是一種表示學(xué)習(xí)的形式，能夠從數(shù)據(jù)集中直接學(xué)習(xí)識(shí)別與區(qū)分不同的數(shù)據(jù)特征，避免了人工區(qū)分。這種數(shù)據(jù)驅(qū)動(dòng)的方法能夠定義更抽象的特征，更具信息性和可泛化性[6]。例如心臟磁共振左心室內(nèi)外膜的定位，DL算法可以學(xué)習(xí)到能夠預(yù)測(cè)出心臟內(nèi)外膜最有用的圖像特征[7]。DL的迅速發(fā)展由3種因素組成，分別是大量的數(shù)據(jù)、高效的處理器(CPU)和更迭的學(xué)習(xí)算法[8]。在深度學(xué)習(xí)網(wǎng)絡(luò)中，最常用于研究分析圖像的算法是卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)[9]。

CNN由多層具有特定意義的算法構(gòu)成，包括一系列層，每進(jìn)行一層更高級(jí)的學(xué)習(xí)時(shí)，將每層的圖像輸入映射到下一層的起始點(diǎn)，進(jìn)行端對(duì)端的傳輸 。在“隱藏”層面包括一系列的卷積和池化分別進(jìn)行特征提取和聚合，在最后輸出結(jié)果之前，完全鏈接層進(jìn)行高級(jí)推理。CNNs通常是監(jiān)督學(xué)習(xí)方式，進(jìn)行端—端訓(xùn)練[7]、學(xué)習(xí)標(biāo)注好的數(shù)據(jù)。以往的算法，如人工神經(jīng)網(wǎng)絡(luò)(ANNs)計(jì)算層面通常被限制在3層，并只對(duì)有明確標(biāo)簽的數(shù)據(jù)進(jìn)行特定的訓(xùn)練[10]。CNN由多層具有特定意義的算法構(gòu)成, 與以往的算法相比具有2個(gè)特點(diǎn)：(1)CNNs計(jì)算層面更“深”，有10～30層，計(jì)算量大時(shí)甚至超過(guò)1 000層；(2)算法更復(fù)雜，由多個(gè)神經(jīng)元復(fù)雜連接，多重非線性變換無(wú)限逼近復(fù)雜函數(shù)，最后給出原始數(shù)據(jù)特征[11]。

1.2 DL在醫(yī)學(xué)影像學(xué)中的價(jià)值 DL具有對(duì)特征集進(jìn)行端—端學(xué)習(xí)、處理復(fù)雜多模態(tài)數(shù)據(jù)、計(jì)算性能優(yōu)越等優(yōu)勢(shì)[10]。DL已應(yīng)用于醫(yī)學(xué)影像學(xué)中多個(gè)臨床領(lǐng)域，包括乳腺癌的影像學(xué)檢測(cè)，肝轉(zhuǎn)移的CT分割，腦腫瘤MR分割，利用高分辨率胸部CT進(jìn)行間質(zhì)性肺病的分類，癌癥組織病理學(xué)閱讀等[12-17]。在心血管影像中，DL應(yīng)用包括減少心臟影像圖像重建時(shí)間、準(zhǔn)確快速進(jìn)行心血管圖像分割、計(jì)算與識(shí)別、心臟疾病診斷、預(yù)后評(píng)估及危險(xiǎn)分層[18-21]。

2 DL在心臟磁共振左心室分割中的應(yīng)用現(xiàn)狀

目前一些商用軟件可以自動(dòng)分割，但仍存在人工校正的情況。DL的引入可以顯著提升心內(nèi)、外膜的分割精度。大體上，90%以上的DL算法Dice相關(guān)系數(shù)(Dice metric)即表面重疊(surface overlap)達(dá)0.95以上[22]。

2.1 基于像素分割方法 DL算法通常對(duì)于一般磁共振心臟短軸的電影圖像使用基于像素分割左心室心內(nèi)外膜的方法，即利用標(biāo)記像素的灰度級(jí)[1]，設(shè)定灰度閾值將心肌與心室腔、周圍組織分開(kāi)[23]。大多基于像素分割的DL算法是基于U-Net結(jié)構(gòu)[24]， Bai等[25]用全卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)分析心臟磁共振，數(shù)據(jù)庫(kù)選自英國(guó)生物庫(kù)，數(shù)據(jù)集達(dá)4 875例，能夠在幾秒內(nèi)應(yīng)用像素的方法分割心臟磁共振短軸圖像，結(jié)果表明自動(dòng)分析結(jié)果與人工分析相當(dāng)。Vigneault 等[26]為了提高分割的準(zhǔn)確性，使用Ω-Net神經(jīng)網(wǎng)絡(luò)在分割之前規(guī)范心臟磁共振圖像的方向，選用2017MICCAI ACDC數(shù)據(jù)集，實(shí)現(xiàn)全自動(dòng)、多層面對(duì)心臟磁共振圖像進(jìn)行定位、校正方向和分割，提高分割效率和精確度，結(jié)果表明，這個(gè)算法可用于雙心室的分割。Poudel等[27]研究用回歸全卷積神經(jīng)網(wǎng)絡(luò)對(duì)多層左心室心臟磁共振圖像分割，利用空間依賴性還原心臟立體結(jié)構(gòu)，數(shù)據(jù)來(lái)源于2009MICCAI的不同病理圖像，分組進(jìn)行訓(xùn)練、調(diào)整和測(cè)試，該訓(xùn)練提高了在心尖部分割的準(zhǔn)確性。Zheng等[28]應(yīng)用空間傳播的方式結(jié)合CNN算法，提高了分割的性能，尤其是在比較難分割的心尖層面圖像。Tao等[29]用CNN對(duì)多廠商、多中心CMR數(shù)據(jù)自動(dòng)識(shí)別、分割左心室輪廓，當(dāng)CNN使用可變性增加的訓(xùn)練數(shù)據(jù)集時(shí)，數(shù)據(jù)集之外的測(cè)試性能也得到了改善。還有一些研究將CNN算法與其他機(jī)器學(xué)習(xí)算法相結(jié)合，Oktay等[30]應(yīng)用T-L結(jié)構(gòu)，在分析圖像中納入心臟結(jié)構(gòu)等先驗(yàn)知識(shí)，約束神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程，并引導(dǎo)神經(jīng)網(wǎng)絡(luò)得出更有結(jié)構(gòu)學(xué)意義的結(jié)果，避免了輸入圖像信息的不足與不一致的情況。Avendi等[4]使用卷積神經(jīng)網(wǎng)絡(luò)與可變形模型結(jié)合，使得在有限的訓(xùn)練數(shù)據(jù)中提高分割的精確度，尤其是在基底層和心尖層的圖像分割。該模型與數(shù)據(jù)庫(kù)中的左心室分割結(jié)果對(duì)比，Dice相關(guān)系數(shù)高達(dá)0.94。

2.2 基于回歸方法 DL算法分割圖像的另一種方法是基于回歸分類方法，不同于傳統(tǒng)的像素分類方法，是使用算法模擬主要分割圖像領(lǐng)域固有的物理特性[31-32],能提高當(dāng)心肌組織與周圍組織對(duì)比度較差時(shí)的分割精確度[33]。

Tan等[34]于2016年利用回歸分類方法對(duì)接近于圓形的左心室進(jìn)行心室輪廓的分割，利用左心室物理結(jié)構(gòu)的特點(diǎn)，即心內(nèi)膜和心外膜有一個(gè)共同的圓心和極坐標(biāo)原理，用2種回歸神經(jīng)網(wǎng)絡(luò)CNN分別自動(dòng)定位和計(jì)算心內(nèi)膜到左心室圓心的半徑，分割舒張末期和收縮末期左心室的心內(nèi)膜。該試驗(yàn)分別進(jìn)行了訓(xùn)練和測(cè)試，訓(xùn)練集選自醫(yī)學(xué)圖像計(jì)算和2011MICCAI挑的100例數(shù)據(jù)，測(cè)試集選自2009MICCAI挑戰(zhàn)的45個(gè)數(shù)據(jù)。結(jié)果平均Dice相關(guān)系數(shù)達(dá)0.88，平均垂直指數(shù)2.3 mm,每層精確度達(dá)97.9%，單張精確度達(dá)100%，結(jié)果表明，CNN利用回歸方法可以用于在舒張末期和收縮末期自動(dòng)分割左心室內(nèi)膜，并且可以用于不同高度的訓(xùn)練集和測(cè)試集。局限性在于收縮末期和心尖層面精確度會(huì)降低。2017年，Tan等[32]利用回歸分類方法進(jìn)行心室輪廓的分割并計(jì)算心功能評(píng)價(jià)指標(biāo)，依次進(jìn)行了訓(xùn)練和測(cè)試各100例，結(jié)果與臨床數(shù)據(jù)對(duì)照發(fā)現(xiàn)，射血分?jǐn)?shù)(EF)無(wú)明顯差異，其他評(píng)價(jià)指標(biāo)EDV、ESV和VMN存在一定的高估。Du 等[33]采用回歸方法分割CMR短軸電影圖像雙心室的心內(nèi)外膜，納入145例患者圖像，結(jié)果為左心室心臟內(nèi)外膜輪廓Dice相關(guān)系數(shù)達(dá)90%以上，右心室Dice指數(shù)為0.88，稍差于左心室。總之，結(jié)果表明采用回歸方法分割雙心室與人工分割表現(xiàn)一致。

DL還通過(guò)全自動(dòng)分割2D和3D電影圖像的心內(nèi)、外膜，實(shí)現(xiàn)心臟影像的自動(dòng)測(cè)量，同時(shí)進(jìn)行射血分?jǐn)?shù)計(jì)算[1]和區(qū)域運(yùn)動(dòng)的評(píng)估。醫(yī)生通常選取2個(gè)時(shí)期即舒張末期(end diastole,ED)和收縮末期(end systole,ES)，計(jì)算心功能參數(shù)，包括心室容積、心肌質(zhì)量(VMN)和射血分?jǐn)?shù)(EF)。心室容積只需將各層左心室心內(nèi)膜面積進(jìn)行整合，而VMN是計(jì)算左心室各層心肌質(zhì)量之和。射血分?jǐn)?shù)是VEDV與VESV的差值與VEDV的比值，這些心功能評(píng)價(jià)指標(biāo)可以對(duì)心臟疾病作一個(gè)初步篩選。Ruijsink等[35]基于深度學(xué)習(xí)模型自動(dòng)測(cè)量左、右心室容積、心肌應(yīng)變(myocardial strain)等心功能評(píng)價(jià)指標(biāo)，結(jié)果表明與手動(dòng)測(cè)量無(wú)明顯差異。

3 DL在心臟磁共振圖像分割中不足與完善方法

3.1 高質(zhì)量數(shù)據(jù)的獲取不易 深度學(xué)習(xí)需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練保證模型的穩(wěn)定性及準(zhǔn)確性。與其他系統(tǒng)相比，心血管系統(tǒng)影像數(shù)據(jù)的獲取成本高，時(shí)間長(zhǎng)，可用于分析的數(shù)據(jù)量較少。尤其是心臟磁共振，掃描層面多，序列復(fù)雜，由于心臟運(yùn)動(dòng)特點(diǎn)，不可避免地存在一些低質(zhì)量的圖像，且受醫(yī)療水平、患者地區(qū)分布差異的影響及不同機(jī)器掃描參數(shù)不同，心血管圖像高質(zhì)量數(shù)據(jù)獲取不易。轉(zhuǎn)移學(xué)習(xí)能把之前機(jī)器學(xué)習(xí)模型知識(shí)轉(zhuǎn)移到新的模型上，有望顯著地降低深度學(xué)習(xí)所需的大量數(shù)據(jù)資源[36-37]。

3.2 數(shù)據(jù)標(biāo)注工作量大 深度學(xué)習(xí)目前以監(jiān)督式學(xué)習(xí)為主，需要手工標(biāo)注圖像。建立模型需要標(biāo)注大量的數(shù)據(jù)，盡可能包括所有的心臟結(jié)構(gòu)形狀，提高模型分割圖像的準(zhǔn)確性與穩(wěn)定性。手工標(biāo)注不僅工作量大，準(zhǔn)確性也高度依賴標(biāo)注者的水平。為了提高標(biāo)簽的可信度，往往會(huì)采取多個(gè)不同水平層次的標(biāo)注者同時(shí)標(biāo)注，工作量會(huì)進(jìn)一步加大。因此，可采用半監(jiān)督式學(xué)習(xí)，對(duì)一部分帶標(biāo)簽的數(shù)據(jù)進(jìn)行監(jiān)督式學(xué)習(xí)，對(duì)剩下的未帶標(biāo)簽的數(shù)據(jù)進(jìn)行分類。此外，標(biāo)注者大多是在第三方軟件上標(biāo)注，不利于標(biāo)注者之間數(shù)據(jù)的流通，開(kāi)發(fā)基于內(nèi)網(wǎng)的數(shù)據(jù)標(biāo)注工具，不僅方便管理，還可兼顧患者隱私保護(hù)[36]。

3.3 深度學(xué)習(xí)的可解釋性未知 深度學(xué)習(xí)存在可解釋性不足的問(wèn)題。因?yàn)樯疃葘W(xué)習(xí)模型學(xué)習(xí)的是大量神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)，預(yù)測(cè)過(guò)程是相應(yīng)參數(shù)下的計(jì)算過(guò)程，這個(gè)學(xué)習(xí)和預(yù)測(cè)的過(guò)程是不透明的，和用戶也缺乏交互性[36]。例如，模型經(jīng)過(guò)大量圖像數(shù)據(jù)的訓(xùn)練診斷心肌疾病，但不能解釋它是通過(guò)什么圖像特征得出的結(jié)論。這需要進(jìn)一步研究深度學(xué)習(xí)的可解釋性。

3.4 模型預(yù)測(cè)結(jié)果有待驗(yàn)證 模型訓(xùn)練大部分是通過(guò)學(xué)習(xí)有限的心臟疾病種類圖像數(shù)據(jù)，且缺乏與疾病病理相聯(lián)系，無(wú)法預(yù)測(cè)出臨床上多樣的疾病類型。Tao等[29]雖然增加不同病理的訓(xùn)練集，但所選測(cè)試的數(shù)據(jù)都是回顧性的，若應(yīng)用前瞻性臨床應(yīng)用，必須對(duì)其性能進(jìn)行評(píng)估，尤其是在心血管異常和成像偽影范圍更廣的數(shù)據(jù)集上?，F(xiàn)在已發(fā)起了一個(gè)合作框架[17]，通過(guò)結(jié)合臨床專業(yè)知識(shí)和自動(dòng)分割方法的客觀性，建立共同的心臟磁共振圖像識(shí)別共識(shí)，相信未來(lái)進(jìn)入臨床能提高醫(yī)生工作效率。

3.5 模型的泛化能力有待提高 大部分研究機(jī)構(gòu)都是基于自己的數(shù)據(jù)庫(kù)進(jìn)行模型的訓(xùn)練和驗(yàn)證。數(shù)據(jù)集小會(huì)導(dǎo)致分割準(zhǔn)確性差，在學(xué)習(xí)集之外的心臟形狀(如先天性心臟病、術(shù)后重建等)分割效率不高。Tao等[29]用CNN對(duì)多廠商、多中心CMR數(shù)據(jù)自動(dòng)識(shí)別、分割左心室輪廓，提高了模型的泛化性。

4 小結(jié)與展望

總之，隨著社會(huì)老齡化和城市化進(jìn)程加快，居民不健康生活方式流行，心血管疾病患者將快速增長(zhǎng)，心臟磁共振檢查數(shù)量必將增多，醫(yī)師工作負(fù)荷進(jìn)一步加重。盡管深度學(xué)習(xí)技術(shù)仍有很多方面需要完善，但在深度學(xué)習(xí)技術(shù)的輔助下，準(zhǔn)確分割心臟磁共振影像可以減輕醫(yī)師負(fù)擔(dān)，將精力更多專注在臨床問(wèn)題上，最終使廣大醫(yī)生和患者受益。