馮建樹(shù)，關(guān)明鑫，冷一峻，馮建興，高恒

（1.南通大學(xué)附屬江陰醫(yī)院 神經(jīng)外科，江蘇 無(wú)錫 214000；2.上海皓樺科技股份有限公司，上海 200240）

腦血管疾病是一種多發(fā)于中老年人群中的高風(fēng)險(xiǎn)疾病，隨著當(dāng)前我國(guó)老年人口數(shù)量的逐漸增加，腦血管疾病的發(fā)生率也呈現(xiàn)出逐漸增加的趨勢(shì)，需要引起臨床重視［1］。由于腦血管功能和位置的特殊性，臨床治療需要準(zhǔn)確掌握腦血管結(jié)構(gòu)狀態(tài)信息。目前腦血管疾病的診斷方法有很多，例如頭顱計(jì)算機(jī)斷層掃描（computed tomography,CT）診斷、多普勒超聲技術(shù)診斷以及磁共振成像技術(shù)等［2-5］。其中，磁共振血管成像（magnetic resonance angiography,MRA）是研究腦血管的重要手段，利用磁共振獨(dú)特的流空效應(yīng)，可顯示血管血流的速度和方向，對(duì)了解腦血管疾病的發(fā)病機(jī)制、術(shù)前診斷和治療具有重要意義［6］。

腦血管分割是基于MRA 進(jìn)行腦血管分析的關(guān)鍵環(huán)節(jié)。然而，腦血管分割的準(zhǔn)確性受到諸多因素影響，例如：腦血管形狀復(fù)雜多變，動(dòng)態(tài)變化的成像灰度和部分細(xì)小結(jié)構(gòu)不利于分割任務(wù)［7-8］；手工分割方法費(fèi)時(shí)費(fèi)力且缺乏復(fù)現(xiàn)性，傳統(tǒng)分割方法欠缺高精度，難以滿足臨床應(yīng)用的需要［9］。這些問(wèn)題的存在使得精準(zhǔn)的腦血管分割困難重重。目前，深度學(xué)習(xí)已經(jīng)在性能上超越了傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)，能夠?qū)W習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律，并在醫(yī)學(xué)圖像處理領(lǐng)域取得了顯著性進(jìn)步［10］。深度學(xué)習(xí)已被應(yīng)用于腦血管分割任務(wù)，但目前的深度學(xué)習(xí)方法依舊存在精度和泛化性較低、對(duì)小血管分割表現(xiàn)不佳等問(wèn)題［1,8-9,11］。MRA 圖像的預(yù)處理是后續(xù)分割任務(wù)之前的重要步驟，對(duì)圖像有效的預(yù)處理有可能對(duì)后續(xù)深度學(xué)習(xí)模型的性能產(chǎn)生積極影響［7］。

MRA 結(jié)合深度學(xué)習(xí)腦血管分割可以有效用于腦血管研究，但腦血管分割存在形狀差別大、存在細(xì)小結(jié)構(gòu)等問(wèn)題，因此需要有效的預(yù)處理方案。本文擬結(jié)合深度學(xué)習(xí)，通過(guò)組合MRA 圖像的多種預(yù)處理操作，比較不同的預(yù)處理方法對(duì)深度學(xué)習(xí)模型效果的影響，最終確定一套有效的預(yù)處理方案，減少磁共振影像設(shè)備的不同以及成像存在的問(wèn)題對(duì)深度學(xué)習(xí)系統(tǒng)進(jìn)行腦血管分割能力的影響，提高模型的準(zhǔn)確率以及魯棒性。

1 資料與方法

1.1 研究對(duì)象和數(shù)據(jù)收集

本研究選取2021 年1 月至2022 年6 月于江陰市人民醫(yī)院行頭顱MRA 檢查的393 例健康受試者為研究對(duì)象。納入標(biāo)準(zhǔn)：頭顱MRA 檢查提示無(wú)異常；排除標(biāo)準(zhǔn)：①有磁共振成像（magnetic resonance imaging,MRI）檢查禁忌證：安裝心臟起搏器、體內(nèi)有金屬性內(nèi)植物、幽閉恐懼癥或懷孕三個(gè)月以內(nèi)；②頭顱MRA 檢查提示存在腦血管異常。

時(shí)間飛躍法MRA（time of flight MRA,TOFMRA）數(shù)據(jù)采集使用佳能3.0T MRI 掃描成像系統(tǒng)［Vantage Titan 3.0T，佳能醫(yī)療系統(tǒng)（中國(guó)）有限公司］，8 通道頭頸部聯(lián)合線圈完成。對(duì)所有受試者進(jìn)行橫斷面掃描，掃描范圍為頸根部到胼胝體上方位置。采用3D 快速場(chǎng)回波（fast field echo,FFE）序列，掃描參數(shù)如下：重復(fù)時(shí)間（repetition time,TR）23 ms，回波時(shí)間（echo time,TE）3.5 ms，翻轉(zhuǎn)角20°；掃描野（field of view,FOV）201 mm×201 mm，重建矩陣1 024，重建像素0.24 mm×0.24 mm×1.2 mm，掃描層數(shù)180，層厚1.2 mm，重疊60%，敏感性編碼（sensitivity encoding,SENSE）值為1.8，掃描時(shí)間536 s。

腦血管標(biāo)注由兩名神經(jīng)外科醫(yī)師共同完成。由一名神經(jīng)外科主治醫(yī)師通過(guò)ITK-SNAP 軟件對(duì)選取病例MRA 原始圖像進(jìn)行血管標(biāo)注；另一名副主任醫(yī)師進(jìn)行審核，兩者意見(jiàn)一致則確定標(biāo)注結(jié)果，意見(jiàn)不一致時(shí)協(xié)商確定結(jié)果。

1.2 預(yù)處理方法

其中，maskseg和maskgt分別表示深度學(xué)習(xí)模型分割得到的血管區(qū)域和真實(shí)血管區(qū)域，|X|表示集合X的大小，即區(qū)域的體素?cái)?shù)。

1.2.1 圖像歸一化 圖像歸一化處理是圖像處理中的一項(xiàng)基礎(chǔ)工作，為了消除指標(biāo)之間的量綱影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。原始數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)歸一化處理后，各指標(biāo)處于同一數(shù)量級(jí)，轉(zhuǎn)換函數(shù)如下：

本研究使用的MRA 腦血管分割深度學(xué)習(xí)網(wǎng)絡(luò)為優(yōu)化的3D U-Net［14］，其具體架構(gòu)見(jiàn)圖1。該網(wǎng)絡(luò)由卷積層、激活層、池化層和上采樣層組成，先進(jìn)行卷積與池化層的下采樣，將128×128×128的圖像，卷積到8×8×8，再進(jìn)行反卷積的上采樣操作還原到128×128×128 的大小，每一次降采樣后的特征圖（feature map）都會(huì)與上采樣到相同尺寸的特征圖拼接組合（concate）成新的特征圖再進(jìn)行后續(xù)的上采樣操作，最后使用1×1×1 的卷積，將特征圖降維到2。該網(wǎng)絡(luò)可以在學(xué)習(xí)的過(guò)程中提供高分辨率的特征，更好地利用原始圖像的信息。

1.2.3 顱骨剝離 顱骨、頭皮、硬腦膜等結(jié)構(gòu)可能會(huì)影響到算法性能，因此需要將腦組織從非腦組織中提取出來(lái)，該過(guò)程稱為顱骨剝離。本研究中的顱骨剝離使用基于Python 的HD-BET 算法（https：//github.com/MIC-DKFZ/HD-BET）完成。

1.2.2 中值濾波 中值濾波是一種非線性濾波，可消除MRA 數(shù)據(jù)中的噪聲。它將每個(gè)體素替換為圍繞這個(gè)體素的矩形范圍內(nèi)的中值，可以在抑制噪聲的同時(shí)保持圖像細(xì)節(jié)，公式如下［12］：

由于白銀貨幣化，整個(gè)社會(huì)對(duì)白銀的需求量日益增長(zhǎng)，許多人為白銀四處奔走。一些后開(kāi)發(fā)地區(qū)的銀礦被發(fā)現(xiàn)，并因此帶來(lái)了人流、物流、資金流、技術(shù)流，社會(huì)資源被重組，山區(qū)被開(kāi)發(fā)。在狂熱追逐白銀的情況下，白銀不僅是社會(huì)財(cái)富的直接化身，而且成為物質(zhì)世界和精神世界統(tǒng)轄者。于是，白銀文化應(yīng)運(yùn)而生。主要表現(xiàn)如下：

其中xnorm和x分別為歸一化后和原始的樣本數(shù)據(jù)值，xmax和xmin分別為樣本數(shù)據(jù)的最大值和最小值。在歸一化前，對(duì)圖像數(shù)據(jù)以（0,1 000）閾值進(jìn)行截?cái)唷?/p>

1.2.4 直方圖匹配 直方圖匹配，是指將一幅圖像的直方圖變成規(guī)定形狀的直方圖而進(jìn)行的圖像增強(qiáng)方法，可以糾正MRI 圖像間的組間變異性。組間變異性，指的是由于腦MRI 圖像的成像設(shè)備與成像參數(shù)不同，數(shù)據(jù)可能存在顯著差異［1］，表現(xiàn)出對(duì)于相同組織類型的不均勻的強(qiáng)度表示。本研究中的直方圖匹配使用Python 中SimpleITK 庫(kù)的HistogramMatching 函數(shù)完成。

1.2.5 偏置場(chǎng)校正 MRA 普遍存在強(qiáng)度不均勻性（intensity-non-uniformity,INU）的問(wèn)題，偏置場(chǎng)校正旨在消除在整個(gè)圖像上顯示為平滑變化信號(hào)的強(qiáng)度偏差［13］。為解決磁場(chǎng)和線圈的不均勻性導(dǎo)致的雜散強(qiáng)度變化問(wèn)題，偏置場(chǎng)校正通過(guò)將原始圖片疊加上一個(gè)偏移場(chǎng)得到校正后強(qiáng)度均勻的圖片。本研究中的偏置場(chǎng)校正使用ANTs（Advanced Normalization Tools）軟件的N4BiasFieldCorrection函數(shù)完成。

兩次關(guān)鍵性任務(wù)在初次完成時(shí)，要達(dá)到80分，低于此分?jǐn)?shù)的學(xué)生要在拿到分?jǐn)?shù)一周內(nèi)找老師咨詢修改意見(jiàn)，并在最多五個(gè)工作日內(nèi)提交修改稿。如果依然沒(méi)達(dá)到80分的成績(jī)，就要重做此項(xiàng)作業(yè)，并在期末考試前一周提交。這是最后的補(bǔ)救機(jī)會(huì)，還達(dá)不到標(biāo)準(zhǔn)將導(dǎo)致該門(mén)課程不合格。

1.2.6 配準(zhǔn) 圖像配準(zhǔn)是基于某種標(biāo)準(zhǔn)，將一幅或多幅圖像最優(yōu)映射到目標(biāo)圖像的方法。通過(guò)將MRA 圖像配準(zhǔn)到統(tǒng)一標(biāo)準(zhǔn)的影像上，以保證相同的部位具有相同的生物學(xué)上的意義，以減小由于影像的多樣性、未完全按照規(guī)范操作導(dǎo)致的頭部?jī)A斜、先天等因素導(dǎo)致的頭骨不標(biāo)準(zhǔn)等現(xiàn)象的影響。

老賈解釋，原來(lái)，古董講究物以稀為貴，如果是舉國(guó)無(wú)雙的至寶，價(jià)格自然驚人?；蛘呤翘煜挛ǘㄈ恼淦?，當(dāng)然也是價(jià)格不菲。但是如果說(shuō)到古錢(qián)幣，因?yàn)樨泿疟旧砭途哂幸子谫A藏和攜帶的特征，所以保存起來(lái)不但方便，而且數(shù)量也不少。試想存品超過(guò)千，多于萬(wàn)之后，單一錢(qián)幣的價(jià)值自然是嚴(yán)重的通貨膨脹。再加上古錢(qián)幣本身的材料多為銅鐵，做工也不會(huì)太過(guò)復(fù)雜，所以單純的藝術(shù)價(jià)值也不高。少了古董的稀缺性，本身又不值錢(qián)，古錢(qián)幣敢情就變成古董界里后媽養(yǎng)的孩子，和珠寶字畫(huà)之類親兒子的待遇不可同日而語(yǔ)。

1.3 深度學(xué)習(xí)模型構(gòu)建及評(píng)估

高鐵CPⅢ網(wǎng)測(cè)量時(shí)，測(cè)站搬站的縱向間距為60 m或120 m，考慮到高鐵CPⅢ點(diǎn)縱向間距為60 m，即相鄰測(cè)站的間距與CPⅢ點(diǎn)縱向間距相等或是其2倍[4]。在城市軌道交通中每個(gè)測(cè)站觀測(cè)8個(gè)控制點(diǎn)時(shí)，共有相鄰測(cè)站間距與控制點(diǎn)縱向間距相等或是其2倍兩種外業(yè)測(cè)量網(wǎng)形。

圖示1中所示橫坐標(biāo)12個(gè)名稱顯示為調(diào)查內(nèi)容，縱坐標(biāo)顯示為兩個(gè)群體的不同評(píng)價(jià)，其中實(shí)線標(biāo)識(shí)為企業(yè)員工，虛線標(biāo)識(shí)為到訪游客。調(diào)查問(wèn)卷最后題目問(wèn)及“是否樂(lè)意向朋友推薦其到本園區(qū)旅游觀光”，其中企業(yè)員工的均值為3.63，而到訪游客的均值為4.26，這個(gè)結(jié)果能夠與前面的調(diào)查內(nèi)容保持一致性。

圖1 MRA 腦血管分割任務(wù)的U-Net 網(wǎng)絡(luò)框架

網(wǎng)絡(luò)的構(gòu)建與訓(xùn)練基于Pytorch 完成，訓(xùn)練使用的顯卡為NVIDIA GeForce GTX 1080Ti 12GB。該網(wǎng)絡(luò)接受128×128×128 的體素?cái)?shù)據(jù)輸入，每個(gè)體素被標(biāo)注為血管或非血管區(qū)域。393 例圖像數(shù)據(jù)以9∶1 的比例分為訓(xùn)練集和測(cè)試集。輸入前，所有訓(xùn)練集或測(cè)試集數(shù)據(jù)被重采樣為128×128×128。訓(xùn)練方式為滑動(dòng)窗口方法，overlap 為64。學(xué)習(xí)率為1e-3，優(yōu)化方法為適應(yīng)性矩估計(jì)（Adam）+隨機(jī)梯度下降（stochastic gradient descent,SGD），Adam 參數(shù)β1=0.9，β2=0.999，ε=1e-8。損失函數(shù)使用交叉熵?fù)p失函數(shù)，批大?。╞atch size）為2。測(cè)試方式為與訓(xùn)練相同的滑動(dòng)窗口方法，overlap 為64，對(duì)測(cè)試圖像的每個(gè)體素得到屬于血管區(qū)域的概率值，大于閾值0.5 則認(rèn)為該體素屬于血管區(qū)域。

從日常營(yíng)運(yùn)資金來(lái)源及凈資產(chǎn)角度，社會(huì)組織資產(chǎn)包括：會(huì)費(fèi)收入；社會(huì)組織在核準(zhǔn)的業(yè)務(wù)范圍內(nèi)開(kāi)展社會(huì)服務(wù)、提供有償服務(wù)（如培訓(xùn)、咨詢等）所取得的收入；社會(huì)捐贈(zèng)所形成的資產(chǎn)；會(huì)員企業(yè)提供贊助形成的非限定性凈資產(chǎn)；社會(huì)組織參與政府購(gòu)買服務(wù)所得形成的非限定性凈資產(chǎn)；依法保值增值形成的收益以及其他合法性收入形成的資產(chǎn)；接受財(cái)政撥款形成的凈資產(chǎn)為限定性凈資產(chǎn)；社會(huì)組織利用現(xiàn)有的資源舉辦行業(yè)交流會(huì)、展會(huì)等取得收入所形成的非限定性資產(chǎn)?？梢?jiàn)，資產(chǎn)來(lái)源渠道復(fù)雜多樣，使得從來(lái)源上界定權(quán)屬存在一定難度。

對(duì)每個(gè)預(yù)處理方案的深度學(xué)習(xí)模型，計(jì)算交并比（intersection over union,IoU）和Dice 相似系數(shù)（dice similarity coefficient,DSC），以比較不同預(yù)處理方案對(duì)模型性能的影響。IoU 和DSC 均可用于衡量?jī)蓚€(gè)集合的重疊程度，計(jì)算公式如下：

對(duì)MRA 圖像數(shù)據(jù)，在網(wǎng)絡(luò)訓(xùn)練前，按照如下流程進(jìn)行預(yù)處理：對(duì)于圖像歸一化、中值濾波、顱骨剝離、偏置場(chǎng)校正、配準(zhǔn)、直方圖匹配六種預(yù)處理步驟，依次添加新的步驟，比較新的步驟組合與先前的最優(yōu)步驟組合的深度學(xué)習(xí)模型性能，若優(yōu)于最優(yōu)步驟組合則保留該步驟，按照該流程反復(fù)，直至確定最優(yōu)的預(yù)處理步驟組合。深度學(xué)習(xí)模型性能的評(píng)估方法見(jiàn)節(jié)1.3。

其中xmed為中值濾波后的數(shù)據(jù)值，S為圍繞這個(gè)體素的矩形范圍，xijk表示坐標(biāo)為(i，j，k)的樣本數(shù)據(jù)值，med 表示取中值。本研究中的中值濾波使用Python 中SimpleITK 庫(kù) 的MedianImageFilter 函數(shù)完成。

在比較IoU 和DSC 指標(biāo)后，確定性能最優(yōu)的預(yù)處理組合方案。

依據(jù)獨(dú)特的產(chǎn)業(yè)優(yōu)勢(shì)，揚(yáng)中近年來(lái)加快智慧產(chǎn)業(yè)建設(shè)進(jìn)程。2017年推動(dòng)威騰股份與GE聯(lián)合打造“數(shù)字化工業(yè)轉(zhuǎn)型項(xiàng)目”，與阿里云合作搭建國(guó)內(nèi)首個(gè)“智慧電氣云”。積極明確產(chǎn)業(yè)定位并加快建設(shè)新壩智慧電氣小鎮(zhèn)。同時(shí)，揚(yáng)中加大與北自所、中科院等企業(yè)和科研院所的接洽，探索打造揚(yáng)中智能制造工業(yè)產(chǎn)業(yè)云，產(chǎn)業(yè)轉(zhuǎn)型升級(jí)步伐進(jìn)一步加快。

不同預(yù)處理方法的深度學(xué)習(xí)分割效果如圖2所示。結(jié)果顯示，除顱骨剝離+圖像歸一化的預(yù)處理方案分割效果較差外，其他預(yù)處理方案的分割效果較為接近。

2 結(jié)果

2.1 受試者基本情況統(tǒng)計(jì)

本研究共納入393 例健康受試者，基本情況統(tǒng)計(jì)信息見(jiàn)表1。

表1 393 例受試者基本情況（例）

2.2 不同預(yù)處理方法的深度學(xué)習(xí)分割模型結(jié)果比較

不同預(yù)處理方法的深度學(xué)習(xí)分割模型結(jié)果如表2 所示。結(jié)果顯示，圖像歸一化能夠提升深度學(xué)習(xí)分割模型的性能，在圖像歸一化基礎(chǔ)上，僅偏置場(chǎng)校正和直方圖匹配能進(jìn)一步提升分割效果，而偏置場(chǎng)校正+直方圖匹配+圖像歸一化組合后，未能進(jìn)一步提升分割效果。偏置場(chǎng)校正+圖像歸一化預(yù)處理方案對(duì)腦血管的分割效果最佳，IoU 為0.796，DSC 為0.882；僅圖像歸一化、直方圖匹配+圖像歸一化、偏置場(chǎng)校正+直方圖匹配+圖像歸一化預(yù)處理方案的分割效果略次于最優(yōu)方案；應(yīng)用顱骨剝離后，分割模型性能明顯降低。

表2 不同預(yù)處理方法的深度學(xué)習(xí)分割模型結(jié)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)。

圖2 不同預(yù)處理方法的深度學(xué)習(xí)分割效果

2.3 不進(jìn)行預(yù)處理方案與最優(yōu)組合預(yù)處理方案的結(jié)果對(duì)比

根據(jù)結(jié)果，確定性能最優(yōu)的預(yù)處理流程如圖3所示。首先，對(duì)原始圖像進(jìn)行偏置場(chǎng)校正，然后進(jìn)行（0,1 000）閾值的截?cái)?，再進(jìn)行圖像歸一化，使圖像數(shù)據(jù)變?yōu)?～1 范圍內(nèi)。

圖3 性能最優(yōu)的預(yù)處理流程示意圖

圖4 顯示了不進(jìn)行預(yù)處理與最優(yōu)組合預(yù)處理方案的分割效果對(duì)比，結(jié)果表明，偏置場(chǎng)校正+圖像歸一化預(yù)處理方案能夠提升深度學(xué)習(xí)模型的腦血管病分割效果。

圖4 不進(jìn)行預(yù)處理與最優(yōu)組合預(yù)處理方案的分割效果對(duì)比

3 討論

腦血管分割是基于MRA 進(jìn)行腦血管分析的關(guān)鍵環(huán)節(jié)，然而腦血管分割準(zhǔn)確性受到形狀差別大、存在細(xì)小結(jié)構(gòu)等諸多因素影響［7-8］，因此需要有效的預(yù)處理方案。本研究應(yīng)用深度學(xué)習(xí)，通過(guò)組合MRA 圖像的多種預(yù)處理操作，比較不同的預(yù)處理方法對(duì)深度學(xué)習(xí)模型效果的影響。結(jié)果顯示，本研究提出的偏置場(chǎng)校正+圖像歸一化預(yù)處理方案能夠使深度學(xué)習(xí)模型對(duì)MRA 血管分割任務(wù)達(dá)到0.796 的IoU 和0.882 的DSC，優(yōu)于其他的預(yù)處理方案，證明該流程能夠有效提高深度學(xué)習(xí)系統(tǒng)進(jìn)行腦血管分割的能力，提高模型的準(zhǔn)確率和魯棒性。

本研究中，偏置場(chǎng)校正+圖像歸一化預(yù)處理方案結(jié)合深度學(xué)習(xí)獲得了最優(yōu)的腦血管分割結(jié)果。在MRI 采集過(guò)程中，有很多固有特性無(wú)法消除，例如在磁場(chǎng)中數(shù)據(jù)流帶寬和由磁場(chǎng)梯度驅(qū)動(dòng)的渦流導(dǎo)致的圖像偽影，而偏置場(chǎng)校正通過(guò)將原始圖片疊加上一個(gè)偏移場(chǎng)得到校正后強(qiáng)度均勻的圖片，能夠消除在整個(gè)圖像上顯示為平滑變化信號(hào)的強(qiáng)度偏差，校正數(shù)據(jù)中的強(qiáng)度不均勻性［13］，進(jìn)而提升分割效果。圖像歸一化則是通過(guò)將原始數(shù)據(jù)變換至同一范圍，解決數(shù)據(jù)指標(biāo)之間的可比性，合理的歸一化方法能夠使深度學(xué)習(xí)模型的精度和訓(xùn)練時(shí)的收斂速度提升［15］。

本研究中，直方圖匹配+圖像歸一化、偏置場(chǎng)校正+直方圖匹配+圖像歸一化預(yù)處理方案的分割I(lǐng)oU 和DSC 略低于最優(yōu)方案。直方圖匹配，是指將一幅圖像的直方圖變成規(guī)定形狀的直方圖而進(jìn)行的圖像增強(qiáng)方法，主要作用為糾正MRI 圖像間的組間變異性。本研究中的MRA 圖像數(shù)據(jù)基于相同的成像設(shè)備和成像參數(shù)得到，因此直方圖匹配對(duì)于腦血管分割的效果影響可能并不明顯。另外，結(jié)果中，進(jìn)行顱骨剝離后的深度學(xué)習(xí)模型性能反而下降，主要原因是顱骨剝離使用的HD-BET 去除了過(guò)多的腦部區(qū)域，導(dǎo)致部分腦血管也被去除，使得分割得到的腦血管結(jié)果減少。更合理的顱骨剝離方法有待進(jìn)一步研究和測(cè)試。

本研究針對(duì)基于深度學(xué)習(xí)的MRA 腦血管分割中的問(wèn)題和難點(diǎn)，提出了偏置場(chǎng)校正+圖像歸一化預(yù)處理方案，能夠提高腦血管分割深度學(xué)習(xí)系統(tǒng)的性能。本研究提出的預(yù)處理結(jié)合深度學(xué)習(xí)方案樣本量為393 例MRA 圖像數(shù)據(jù)，IoU 為0.796，DSC 為0.882。與以往研究相比，WANG 等［16］使用基于Otsu 算法的閾值分割算法，在10 例MRA圖像數(shù)據(jù)上達(dá)到了0.84 的DSC；GUO 等［17］使用三個(gè)U-Net 網(wǎng)絡(luò)分別在20 例MRA 圖像的橫斷位、冠狀位和矢狀位切片進(jìn)行訓(xùn)練，預(yù)處理方法僅進(jìn)行歸一化，用投票特征融合和基于連通域分析結(jié)合三個(gè)網(wǎng)絡(luò)的結(jié)果，達(dá)到了0.8793 的DSC；SANCHESA 等［18］使用基于3D U-Net 和Inception模塊的Uception 網(wǎng)絡(luò)，以及除以圖像最大強(qiáng)度值的歸一化預(yù)處理，用32 例MRA 圖像進(jìn)行訓(xùn)練，達(dá)到了0.67 的DSC。對(duì)比表明，本研究的IoU 和DSC 優(yōu)于WANG 等的結(jié)果，說(shuō)明預(yù)處理結(jié)合深度學(xué)習(xí)的方法相比于傳統(tǒng)的血管分割方法具有一定的優(yōu)勢(shì)；而與GUO 等的結(jié)果相比，本研究中的最優(yōu)方法的性能與其接近，表明該方法能夠在僅使用橫斷面信息的情況下達(dá)到相近的分割效果，因而具有更高的效率，證明該方法在提升MRA 血管分割深度學(xué)習(xí)模型的性能方面的能力。根據(jù)SANCHESA 等的研究結(jié)果，在相同的數(shù)據(jù)集上，Uception 網(wǎng)絡(luò)具有相比3D U-Net 更優(yōu)的性能，結(jié)合本研究確定的預(yù)處理方法并改進(jìn)深度學(xué)習(xí)模型有望進(jìn)一步提升分割效果。

本研究依舊存在一定的局限性：MRA 數(shù)據(jù)均使用相同成像設(shè)備和參數(shù)采集得到，針對(duì)不同成像設(shè)備和參數(shù)的MRA 數(shù)據(jù)有待測(cè)試；此外，本研究中最優(yōu)預(yù)處理方案的IoU 離實(shí)際臨床應(yīng)用還有一定距離，需要結(jié)合數(shù)據(jù)量的擴(kuò)充和深度學(xué)習(xí)模型的改進(jìn)，提高模型的整體性能。

綜上所述，本研究確定的偏置場(chǎng)校正+圖像歸一化預(yù)處理方案能夠有效提升MRA 血管分割深度學(xué)習(xí)模型的性能，為基于MRA 和深度學(xué)習(xí)的腦血管分析提出了一套可行的預(yù)處理方案。