徐佳薇，武 杰，雷 宇，顧宇翔

（1.上海理工大學(xué)健康科學(xué)與工程學(xué)院，上海 200093；2.復(fù)旦大學(xué)附屬華山醫(yī)院神經(jīng)外科，上海 200040）

引 言

腦血管病的危害性極高，對我國國民健康造成了巨大威脅，具有高致殘率和高致死率的特點(diǎn)［1］，其中煙霧?。∕oyamoya disease，MMD）是一種原因不明、以雙側(cè)頸內(nèi)動脈末端、大腦中動脈和大腦前動脈起始部慢性進(jìn)行性狹窄或閉塞為特征，并繼發(fā)引起顱底異常血管網(wǎng)形成的較為罕見的腦血管疾病。其臨床表現(xiàn)為腦卒中（包括腦缺血和腦出血兩種類型［2］），一旦發(fā)生腦血管意外會使患者的生命受到嚴(yán)重威脅，并導(dǎo)致較高的致殘率。目前，數(shù)字減影血管造影（Digital subtraction angiography，DSA）是診斷煙霧病的金標(biāo)準(zhǔn)［3］，其原理是將造影劑注入患者血管，血管在X射線照射下顯影，將注入造影劑前后的兩幀圖像作減影處理即可得到純血管影像。DSA圖像可以反映出血液在血管內(nèi)的流動軌跡，血管的形態(tài)及結(jié)構(gòu)清晰可見。煙霧病患者的頸內(nèi)動脈DSA圖像表現(xiàn)為，在大腦前、中動脈分支處存在異常的狹窄或閉塞，使顱底血管發(fā)生代償，出現(xiàn)不同程度的煙霧狀細(xì)小血管網(wǎng)［4］。在傳統(tǒng)的煙霧病診斷流程中，主要依靠臨床醫(yī)生閱片，并根據(jù)經(jīng)驗獨(dú)立作出診斷，但是培養(yǎng)一名成熟的臨床醫(yī)生需要大量的時間成本，無法匹配日益增長的診斷需求。而且，如何能夠較為精確地針對DSA圖像進(jìn)行煙霧病的精確分級與腦卒中是否發(fā)生的預(yù)測還是臨床工作中的難點(diǎn)與痛點(diǎn)，同時也是目前研究的熱點(diǎn)。

近年來，以深度學(xué)習(xí)為代表的人工智能技術(shù)迎來了研究與應(yīng)用的高潮，也為煙霧病疾病轉(zhuǎn)歸預(yù)測提供了新的途徑與思路。Tackeun等［5］采用深度學(xué)習(xí)對普通頭顱X線圖像中的煙霧病進(jìn)行識別，準(zhǔn)確率為84.1%；Akiyama等［6］使用改進(jìn)的VGG16網(wǎng)絡(luò)對煙霧病患者、動脈粥樣硬化患者和正常人磁共振圖像的基底池、基底節(jié)和半卵圓中心進(jìn)行區(qū)分，準(zhǔn)確率分別為92.8%、84.8%和87.8%。但實現(xiàn)煙霧病預(yù)后的智能化預(yù)測，首先要做到通過深度學(xué)習(xí)的人工智能技術(shù)對煙霧病DSA圖像有較為精準(zhǔn)的診斷，這是以后精準(zhǔn)判斷預(yù)后的基礎(chǔ)與必要步驟。

與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）具有更強(qiáng)大的特征學(xué)習(xí)和特征表達(dá)能力［7］。許多CNN模型都在計算機(jī)視覺領(lǐng)域的識別任務(wù)上取得了令人滿意的效果。其中，F(xiàn)aster RCNN網(wǎng)絡(luò)［8］已經(jīng)廣泛應(yīng)用于醫(yī)學(xué)圖像檢測領(lǐng)域［9?12］，且檢測精度較高，具有良好的檢測性能。

煙霧病影像表現(xiàn)為大腦前、中動脈存在一定程度的狹窄、閉塞，頸內(nèi)動脈末端毛細(xì)血管增多，出現(xiàn)異常的煙霧狀血管網(wǎng)。由于血管特征較小，原始的Faster RCNN采用VGG16作為特征提取模塊不易捕捉細(xì)小的血管特征，且使用ROI Pooling進(jìn)行特征映射難以保留小血管的完整度。因此，本文在原有的Faster RCNN網(wǎng)絡(luò)上做了改進(jìn)，選取ResNet101［13］作為特征提取網(wǎng)絡(luò)，獲得豐富的血管特征，使用區(qū)域生成網(wǎng)絡(luò)（Region proposal network，RPN）定位病灶位置，并且將原本的ROI Pooling層替換為ROI Align層，降低目標(biāo)誤差，實現(xiàn)煙霧病的自動檢測，有效提高了檢測精度。

1 實驗方法與材料

1.1 改進(jìn)的Faster RCNN網(wǎng)絡(luò)

改進(jìn)的Faster RCNN網(wǎng)絡(luò)結(jié)構(gòu)分為特征提取模塊、RPN和分類回歸模塊3個部分。輸入圖像經(jīng)過特征提取模塊提取血管特征，得到特征圖，然后進(jìn)入RPN，根據(jù)目標(biāo)框與人工標(biāo)定標(biāo)記框的交并比（In?tersection over union，IOU）篩選正負(fù)樣本進(jìn)行回歸訓(xùn)練，得到建議區(qū)域，并和特征圖一起輸入分類回歸模塊，ROI Align將特征圖的建議區(qū)域轉(zhuǎn)化為固定尺寸的特征圖，輸入分類、回歸分支，得到最終的檢測結(jié)果。改進(jìn)的Faster RCNN架構(gòu)如圖1所示。

圖1 改進(jìn)的Faster RCNN架構(gòu)Fig.1 Improved Faster RCNN architecture

1.1.1 ResNet101特征提取模塊

對于煙霧病檢測任務(wù)來說，主要檢測對象為腦血管，其經(jīng)過VGG16網(wǎng)絡(luò)的池化操作后容易丟失細(xì)微的特征信息，且VGG16網(wǎng)絡(luò)參數(shù)量大，需要的存儲空間大，部署難度大。為了更好地提取復(fù)雜血管的特征信息，本文使用ResNet101網(wǎng)絡(luò)替代原始模型所用的VGG16網(wǎng)絡(luò)作為Faster RCNN的基礎(chǔ)骨架。ResNet101網(wǎng)絡(luò)采用跳躍連接方式，利用恒等映射不斷學(xué)習(xí)新的特征，大大提升了模型學(xué)習(xí)特征的性能。ResNet101網(wǎng)絡(luò)在ResNet50網(wǎng)絡(luò)的基礎(chǔ)上加深了第4層卷積層，能夠在深層的特征圖中獲得豐富的圖像特征，避免血管特征在卷積和池化過程中產(chǎn)生模糊或丟失，并且模塊的參數(shù)量也適中，能夠降低小樣本數(shù)據(jù)集可能出現(xiàn)的過擬合風(fēng)險。本文采用pre?training+fine?tune訓(xùn)練策略，載入了在公開的分類數(shù)據(jù)集ImageNet下預(yù)訓(xùn)練好的參數(shù)模型，能夠提高模型的初始性能，在此基礎(chǔ)上對模型進(jìn)行訓(xùn)練，可以有效提取特征信息，并且能夠共享網(wǎng)絡(luò)權(quán)重，減少需要學(xué)習(xí)的自由變量的個數(shù)和訓(xùn)練網(wǎng)絡(luò)所需的時間。在煙霧病數(shù)據(jù)集上微調(diào)參數(shù)，提升了模型的收斂速度，增加了模型的泛化能力和魯棒性，更適合部署于算力一般的平臺，更加適用于臨床的應(yīng)用。

1.1.2 區(qū)域生成網(wǎng)絡(luò)

區(qū)域生成網(wǎng)絡(luò)RPN是Faster RCNN模型的核心模塊，主要作用是生成建議區(qū)域。它采用3×3的滑動窗口遍歷特征圖，來生成候選區(qū)域，取滑動窗口中心點(diǎn)為錨點(diǎn)，以128、256、512為尺度，1∶1、1∶2、2∶1為尺度比，每個錨點(diǎn)共得到9個錨框。通過卷積層后，再由Softmax對錨框進(jìn)行分類，9個錨框進(jìn)行二分類，將其分為目標(biāo)類和背景類，卷積核通道數(shù)為9×2。同時計算對于錨框的邊框回歸偏移量，修正錨框，卷積核通道數(shù)為9×4，納入9個錨框及各自的4個坐標(biāo)位置參數(shù)，最后獲得較為精確的建議區(qū)域。RPN的輸出層共有（4+2）×9維通道，較其他網(wǎng)絡(luò)維數(shù)更少，大大降低了參數(shù)的數(shù)量，更適合用于小樣本數(shù)據(jù)的檢測。

由于煙霧病檢測不存在多目標(biāo)重疊情況，因此選取非極大值抑制（Non?maximum suppression，NMS）去除冗余的錨框，提高檢測速度。對于RPN生成的錨框，將置信度分?jǐn)?shù)最大的目標(biāo)框作為基準(zhǔn)框，若目標(biāo)框與其IOU大于0.7，則將該目標(biāo)框的置信度置為零，即去除該目標(biāo)框。

當(dāng)剩余的目標(biāo)框與人工標(biāo)定的標(biāo)記框的IOU大于0.7時，認(rèn)為該框為正樣本，當(dāng)IOU小于0.3時，則認(rèn)為其為負(fù)樣本，當(dāng)IOU位于0.3～0.7之間時，不納入損失函數(shù)中計算。RPN網(wǎng)絡(luò)中的損失函數(shù)定義為

式中：i表示第i個錨框，pi表示錨框是目標(biāo)框的概率，ti為錨框的位置坐標(biāo)，pi*為目標(biāo)框的判斷值（正樣本為1，負(fù)樣本為0），ti*為候選區(qū)域框的位置坐標(biāo)，Ncls和Nreg為規(guī)范化參數(shù)。

分類損失Lcls和回歸損失Lreg可分別定義為

R為穩(wěn)健損失函數(shù)

錨框的坐標(biāo)計算如下

式中：x、y、w和h分別為候選區(qū)域框的中心坐標(biāo)、寬度和高度；xa、ya、wa和ha為錨框的坐標(biāo)及寬度和高度；x*、y*、w*和h*為目標(biāo)框的坐標(biāo)及寬度和高度。

1.1.3 ROI Align特征映射

ROIPooling可以從候選框中截取ROI特征，映射到特征圖的相應(yīng)位置，對映射后的區(qū)域進(jìn)行劃分，得到相同大小的區(qū)域特征圖，經(jīng)過最大池化（Max pooling）操作后輸出，保證了大小不同的候選區(qū)域輸出結(jié)果都是固定大小。這樣處理的好處是能夠共享權(quán)重，使全連接層能夠利用預(yù)訓(xùn)練的參數(shù)，減少訓(xùn)練模型的時間。但是候選區(qū)域框的坐標(biāo)通常是浮點(diǎn)數(shù)，ROIPooling在映射過程中直接將其做最近鄰插值操作，會產(chǎn)生量化偏差，尤其血管的特征比較細(xì)微，

如果產(chǎn)生嚴(yán)重的偏差，就會造成重要特征消失。為了解決這個問題，在本實驗中采用ROI Align來代替ROI Pooling。ROI Align首次在Mask RCNN［14］中被提出，它可以避免候選區(qū)域邊界在映射過程中被量化。將每個候選區(qū)域分為4個子區(qū)域，取各中心點(diǎn)為采樣點(diǎn)，通過雙線性插值計算得到4個采樣點(diǎn)的像素值大小，再采用最大池化，取4個像素值的最大值作為該區(qū)域的像素值，依次得到最終的特征圖。雖然ROI Align的取樣點(diǎn)比ROI Pooling更少，但是性能卻優(yōu)于ROI Pooling。如圖2所示為ROI Pool?ing和ROI Align的映射過程對比。

圖2 ROIPooling和ROIAlign的映射過程對比Fig.2 Comparison of mapping process between ROIPooling and ROIAlign

1.1.4 分類回歸模塊

分類回歸部分利用已經(jīng)獲得的區(qū)域特征圖，通過全連接層后，用Softmax計算每個建議區(qū)域的所屬類別，輸出概率向量；并且再次進(jìn)行邊框回歸獲得每個建議區(qū)域的位置偏移量，用于回歸獲得更加精確的目標(biāo)檢測框［15］。

1.2 數(shù)據(jù)采集與標(biāo)注

本實驗所采用的數(shù)據(jù)來自復(fù)旦大學(xué)附屬華山醫(yī)院，共收到2017年8月至2020年12月間的433例煙霧病病例和75例正常腦血管病病例的DSA數(shù)據(jù)。選取動脈期的DSA序列，此時造影劑流經(jīng)動脈供血干，煙霧病病灶顯影清晰，從中提取出長寬都為512個像素的頸內(nèi)動脈正位圖像，并存儲為JPG格式?？紤]到血管造影技術(shù)存在一定的放射性，會對人體產(chǎn)生傷害，因此本實驗不將正常人樣本納入其中，而是選取其他腦血管病病例的正常一側(cè)圖像作為正常樣本。由于存在極小部分顯影不清和偽影過強(qiáng)的圖像，因此經(jīng)過篩選將其去除，保留正常情況下伴有偽影及血管顯影較淡的DSA圖像，來提高模型在實際應(yīng)用中的魯棒性。為了防止正常樣本數(shù)量偏少產(chǎn)生而過擬合，對原始圖像進(jìn)行隨機(jī)調(diào)節(jié)亮暗、水平翻轉(zhuǎn)處理及截取原始圖像的一部分，以保證樣本的多樣性。同時保證樣本數(shù)量均衡，確保模型的有效性，共得到煙霧病樣本319張，正常樣本316張，以6∶2∶2的比例劃分為訓(xùn)練集、驗證集和測試集。

在目標(biāo)檢測任務(wù)中，需要對ROI進(jìn)行標(biāo)注，根據(jù)其輪廓勾畫出標(biāo)注框。采用LabelImg軟件對DSA圖像頸內(nèi)動脈末端大腦前、中動脈分支處進(jìn)行標(biāo)注。正常樣本的頸內(nèi)動脈及大腦前、中動脈血管壁平滑，血管結(jié)構(gòu)完整，呈現(xiàn)“T”形的分叉，見圖3（a）。煙霧病樣本的頸內(nèi)動脈及大腦前、中動脈存在一定程度的狹窄或閉塞，并導(dǎo)致血管代償出現(xiàn)異常的煙霧狀血管網(wǎng)，見圖3（b）。分別對兩類樣本標(biāo)注為“Normal”和“MMD”。該軟件會自動生成圖像的名稱、圖像存儲路徑、目標(biāo)框的類別名稱、目標(biāo)框坐標(biāo)和長寬等信息并存儲為.xml文件。將數(shù)據(jù)制作為PASCAL VOC 2007格式的數(shù)據(jù)集。

圖3 樣本標(biāo)記示意圖Fig.3 Schematic diagrams of marking

1.3 運(yùn)行環(huán)境

本實驗使用Intel（R）Xeon（R）CPU E5?2640 v4@2.40 GHz處理器，內(nèi)存為128 GB，NIVDIA Tes?la V 100顯卡，顯存為16 GB，在Linux操作系統(tǒng)、anaconda3.7、cuda10.0、python3.6環(huán)境下，基于Pytorch深度學(xué)習(xí)框架實現(xiàn)。

1.4 評價指標(biāo)

在實際的臨床應(yīng)用中，檢測的精度與速度缺一不可。本文將平均精度（Average precision，AP）作為煙霧病樣本和正常樣本檢測的評價指標(biāo)。AP的計算需要同時考量精確率（Precision）以及召回率（Recall），精確率定義為識別正確的物體數(shù)占總識別數(shù)量的比例，召回率定義為識別正確的物體數(shù)占樣本總體數(shù)量的比例［16］。只有使精確率和召回率同時處在一個較高的水平，才能得到較好的檢測效果，由P?R（Precision?recall）曲線下的面積求出AP的值，計算式為

式中：rn和r n+1分別表示第n和第n+1個Recall值，p為第n和n+1個Recall值區(qū)間內(nèi)的Precision值。假設(shè)N個樣本中有M個正樣本，則得到M個Recall值和Precision值。

對于每個Recall區(qū)間，取該區(qū)間內(nèi)最大的Precision值，并與區(qū)間長度（兩個Recall值之差）相乘作為該區(qū)間的AP值，直到遍歷所有區(qū)間，將每段AP值相加得到最后的AP值。AP值越接近1，檢測效果越好，再對兩種類別的平均精度取均值得到平均精度均值mAP（Mean average precision，mAP），作為模型的整體性能評價指標(biāo)。

2 實驗結(jié)果

2.1 標(biāo)注區(qū)域大小選擇

不同的標(biāo)注區(qū)域所包含的特征信息不同，因此不同大小的標(biāo)注區(qū)域會對實驗結(jié)果產(chǎn)生不同影響。為了確定可以達(dá)到最佳模型效果的標(biāo)注區(qū)域大小，對比了縮小標(biāo)注區(qū)域1.5倍、本文所選標(biāo)注區(qū)域與擴(kuò)大標(biāo)注區(qū)域1.5倍的實驗結(jié)果，如表1所示。

由表1可見，當(dāng)縮小標(biāo)注區(qū)域1.5倍時，模型的mAP為86.37%，檢測精度降低；擴(kuò)大標(biāo)注區(qū)域1.5倍時，模型的mAP較原先有明顯的差距，僅為81.89%，下降了12.42%。這說明過小或過大的標(biāo)注區(qū)域都會影響模型性能，只有選擇合適的標(biāo)注區(qū)域才能提升模型的檢測性能。因此本文選擇標(biāo)注區(qū)域正好位于頸內(nèi)動脈末端大腦前、中動脈分支處，此時模型能夠?qū)W習(xí)到的血管特征最有效，煙霧病樣本較正常樣本標(biāo)注區(qū)域稍大，可以更好地獲取細(xì)小血管的特征信息。這可以避免標(biāo)注區(qū)域過小使模型得不到足夠的特征信息來學(xué)習(xí)，也可以防止標(biāo)注區(qū)域過大，使頸內(nèi)動脈的其他血管特征信息對檢測造成干擾，使模型學(xué)習(xí)到大量無關(guān)特征，從而影響模型整體的檢測性能。

表1 改變標(biāo)注區(qū)域大小前后模型評價指標(biāo)對比Table 1 Compar ison of model evaluation indexes be?fore and after changing size of marked area

2.2 訓(xùn)練參數(shù)選擇

為了提高模型的檢測精度，需要調(diào)整網(wǎng)絡(luò)超參數(shù)。針對ResNet101+Align組合設(shè)置超參數(shù)。權(quán)重衰減速率為0.000 5，學(xué)習(xí)率（Learning rate，LR）衰減速率為0.1，動量為0.9，迭代次數(shù)為10 000次。對模型的批大小進(jìn)行調(diào)整來減少所需的訓(xùn)練時間，對模型的初始學(xué)習(xí)率進(jìn)行調(diào)整使損失函數(shù)收斂效果更好，進(jìn)一步提高精度。初始學(xué)習(xí)率為0.001時，批大小調(diào)整結(jié)果如表2所示。

由表2可知，當(dāng)批大小為2時，檢測效果最好，mAP為91.18%，與批大小為1時的結(jié)果較為接近，且所需時間較少。是當(dāng)批大小繼續(xù)增大反而造成精度下降的原因在于本次實驗所采用的數(shù)據(jù)集規(guī)模較小，過大的批大小使收斂速度加快，有可能陷入局部最優(yōu)而無法提升整體精度。因此在批大小為2的條件下，繼續(xù)對初始學(xué)習(xí)率進(jìn)行調(diào)整。

表2 初始學(xué)習(xí)率為0.001時，調(diào)整批大小測試結(jié)果Table 2 Test results of adjusting the batch size when initial learning rate is 0.001

批大小為2時，初始學(xué)習(xí)率調(diào)整結(jié)果如表3所示。圖4為模型在不同初始學(xué)習(xí)率下的損失函數(shù)值，觀察縱坐標(biāo)可以確認(rèn)模型的收斂性。

由表3可知，當(dāng)初始學(xué)習(xí)率為0.005時，mAP最高，為94.31%。且根據(jù)圖4的損失函數(shù)變化曲線來看，學(xué)習(xí)率為0.001和0.003時，達(dá)到收斂時的損失函數(shù)值較大。當(dāng)學(xué)習(xí)率為0.005時（圖中黃色粗線），損失函數(shù)值最小，且相較其他3條曲線，收斂最為平滑，效果最好。學(xué)習(xí)率為0.007時，損失函數(shù)前部下降較快，但最終收斂值較學(xué)習(xí)率為0.005時更大。經(jīng)過比較，當(dāng)學(xué)習(xí)率為0.005時，模型效果最好。

圖4 不同初始學(xué)習(xí)率下的損失函數(shù)變化曲線Fig.4 Variation curves of loss function under differ?ent initial learning rates

表3 批大小為2時，調(diào)整初始學(xué)習(xí)率測試結(jié)果Table 3 Test results of adjusting initial learning rate when batch size is 2

因此，本實驗采用的批大小為2，初始學(xué)習(xí)率為0.005。

2.3 不同IOU閾值對檢測效果的影響

在RPN中，如果NMS的IOU閾值設(shè)得過大就會造成目標(biāo)框數(shù)量冗余，如果IOU閾值過小則容易出現(xiàn)誤檢的問題。因此不同的IOU閾值會影響到最終的檢測效果，對比不同IOU閾值下的檢測精度，選取最優(yōu)的IOU閾值進(jìn)行訓(xùn)練。

根據(jù)表4的結(jié)果，當(dāng)IOU閾值為0.7時，模型的mAP最高，為94.31%；IOU閾值為0.9時的模型精度與IOU閾值為0.7時的mAP相差最大，為12.09%，檢測效果差異較大。增大或減小IOU閾值都會使檢測精度下降，說明只有選擇合適的IOU閾值才能使模型檢測效果最好。因此，為了確保模型的訓(xùn)練效果，本實驗選擇0.7作為IOU閾值。

表4 改變IOU閾值前后模型檢測精度對比Table 4 Comparison of average precision before and after changing IOU threshold

2.4 不同特征提取網(wǎng)絡(luò)和特征映射方法組合實驗效果對比

為了驗證網(wǎng)絡(luò)的性能，本實驗對ResNet101及VGG16特征提取網(wǎng)絡(luò)和ROI Pooling、ROI Align特征映射方法進(jìn)行組合，測試它們的檢測效果，并且對正常樣本和煙霧病樣本進(jìn)行測試，得到最終的實驗結(jié)果，如表5所示。

表5 4種組合實驗效果對比Table 5 Comparison of experimental r esults of four combinations

實驗結(jié)果表明，使用ResNet101+ROI Align組合時，模型的檢測效果最好，mAP為94.31%，其中對于正常樣本的AP達(dá)到了99.23%，這是由于正常樣本的特征較為明顯。煙霧病樣本AP較正常樣本AP低的原因是因為煙霧病的血管形態(tài)較為多樣，且血管較細(xì)，不易區(qū)分。但是該方法對于煙霧病樣本的AP在4種方法中也是最好的，這是由于殘差網(wǎng)絡(luò)使用了跳躍連接的殘差塊，使特征信息易于在各層間流動，同時ROIAlign方法減小了在特征映射過程中產(chǎn)生的誤差。對于ResNet101+ROI Pooling組合，兩種樣本的準(zhǔn)確率都和ResNet101+ROIAlign組合相差10個百分點(diǎn)以上，這是因為ResNet101網(wǎng)絡(luò)提取細(xì)小血管特征能力較好，但是ROIPooling的量化操作對小特征的影響較大，產(chǎn)生了嚴(yán)重誤差。當(dāng)使用VGG16作為特征提取網(wǎng)絡(luò)時，使用ROIAlign方法對最終的AP和mAP有小幅提高。在訓(xùn)練時間上，可以看出采用ResNet101比VGG16訓(xùn)練速度稍快，因為ResNet101較VGG16的參數(shù)更少，所以運(yùn)算速度有一定的提高，同時采用ROI Pooling比ROI Align更快，這是由于雙線性插值比最近鄰插值計算更為復(fù)雜，因此需要更多的計算時間。

2.5 改進(jìn)Faster RCNN模型識別樣例

改進(jìn)Faster RCNN模型識別舉例如圖5所示。檢測結(jié)果顯示，該模型有效檢測出了血管位置，圖（a，b）為正常樣本檢測結(jié)果，檢測置信度分別為0.999和1.000，圖（c、d）為煙霧病樣本檢測結(jié)果，檢測置信度都為0.998。可以看出該模型檢測效果良好，對血管結(jié)構(gòu)和位置的檢測較為精準(zhǔn)，表明該模型在實際的臨床應(yīng)用中，進(jìn)行煙霧病的檢測是可行且有效的。

圖5 改進(jìn)Faster RCNN模型識別樣例Fig.5 Identification examples of improved Faster RCNN model

2.6 對比實驗

Faster RCNN是一個兩階段模型，為了驗證改進(jìn)的Faster RCNN模型的檢測性能，將其結(jié)果與經(jīng)典的單階段模型YOLOv3［17］和SSD［18］進(jìn)行對比，結(jié)果如表6所示。單階段模型可以直接使用神經(jīng)網(wǎng)絡(luò)在待檢測圖像中得到候選框的坐標(biāo)、所含物體的類別及對應(yīng)的置信度。

表6 改進(jìn)的Faster RCNN模型與不同檢測模型實驗效果對比Table 6 Comparison of experimental results of im?proved Faster RCNN model with different testing models

由實驗結(jié)果可知，YOLOv3和SSD模型雖然可以實現(xiàn)血管的檢測與定位，并且檢測時間較短，但由于該算法直接跳過了生成建議區(qū)域的部分，直接將提取到的特征用于檢測，省略了對標(biāo)定框的回歸，因此其檢測區(qū)域存在一定偏差且檢測精度較低。雖然本文模型的單張檢測耗時較長，但其mAP分別比YOLOv3和SSD的mAP高出6.94%和8.70%，檢測精度得到了較大的提升。因此，改進(jìn)的Faster RCNN可以更加準(zhǔn)確有效地檢測煙霧病。

3 結(jié)束語

為了實現(xiàn)煙霧病的自動輔助檢測，結(jié)合煙霧病DSA圖像血管特點(diǎn)，本文在傳統(tǒng)Faster RCNN模型的基礎(chǔ)上，主要完成了以下幾點(diǎn)工作：

（1）提出了用于煙霧病檢測的Faster RCNN改進(jìn)模型，采用ResNet101提取小血管特征，RPN定位煙霧病病灶，并且使用ROI Align方法保留小血管特征的完整度，從而實現(xiàn)了煙霧病的自動檢測與定位。

（2）使用數(shù)據(jù)增強(qiáng)方法擴(kuò)充現(xiàn)有數(shù)據(jù)，使其滿足用于深度學(xué)習(xí)模型訓(xùn)練的需求，降低過擬合的風(fēng)險，然后通過對比確定了適用于煙霧病檢測的圖像標(biāo)注區(qū)域大小、模型超參數(shù)和IOU閾值。

（3）將不同特征提取網(wǎng)絡(luò)和特征映射方法進(jìn)行組合，并且和其他兩種目標(biāo)檢測算法進(jìn)行對比。

實驗結(jié)果表明，改進(jìn)的Faster RCNN模型具有良好的檢測能力，優(yōu)于對比算法，mAP達(dá)到94.31%。該模型可以在復(fù)雜的血管圖像中較為精準(zhǔn)地診斷出煙霧病，能夠較好地鑒別出煙霧血管及周邊結(jié)構(gòu)的特征，為以后的預(yù)測研究提供可靠的基礎(chǔ)，而且本文模型參數(shù)量較少，易于在臨床平臺部署，可以提高檢測效率，降低人力成本，具有實際的應(yīng)用價值。隨著日后樣本數(shù)的增多、血管造影技術(shù)的升級及模型結(jié)構(gòu)的優(yōu)化，其檢測精度還有待進(jìn)一步的提升。