摘要：顱內(nèi)動(dòng)脈瘤的精準(zhǔn)分割在醫(yī)學(xué)影像診斷中具有重要意義。文章提出了一種基于3D點(diǎn)云的先進(jìn)方法，通過(guò)提取動(dòng)脈瘤特征實(shí)現(xiàn)高精度分割。針對(duì)傳統(tǒng)點(diǎn)云分割方法存在的數(shù)據(jù)預(yù)處理要求高、局部特征捕捉不足以及層間信息流失等問(wèn)題，文章引入了PointNet++網(wǎng)絡(luò)架構(gòu)。PointNet++在點(diǎn)云數(shù)據(jù)的分類和分割任務(wù)中展現(xiàn)了卓越性能，其通過(guò)對(duì)點(diǎn)云中的局部和全局特征進(jìn)行學(xué)習(xí)，能夠有效處理不規(guī)則和無(wú)序的數(shù)據(jù)集。這一特性使其特別適合從CTA和MRA影像中提取顱內(nèi)動(dòng)脈瘤的特征。文章采用 PointNet++網(wǎng)絡(luò)對(duì)CTA 和MRA影像進(jìn)行預(yù)處理，以適應(yīng)不同醫(yī)院影像設(shè)備的差異，并利用該網(wǎng)絡(luò)進(jìn)行分割，精準(zhǔn)捕捉顱內(nèi)動(dòng)脈瘤的邊緣特征，從而實(shí)現(xiàn)高精度分割。該方法為顱內(nèi)動(dòng)脈瘤的精準(zhǔn)分割提供了一種可行的解決方案，有助于提高診斷效率并降低醫(yī)療成本。

關(guān)鍵詞：深度學(xué)習(xí)；顱內(nèi)動(dòng)脈瘤；3D 點(diǎn)云；PointNet++；圖像分割

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）01-0033-03 開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

0 引言

顱內(nèi)動(dòng)脈瘤（Intracranial Aneurysm） 是一種嚴(yán)重的血管疾病，可能引發(fā)腦出血和腦梗死等嚴(yán)重后果[1]，對(duì)神經(jīng)功能造成不可逆的損害。一旦瘤體破裂，可能導(dǎo)致腦出血，嚴(yán)重時(shí)甚至危及生命。此外，顱內(nèi)動(dòng)脈瘤的生長(zhǎng)可能對(duì)周圍神經(jīng)組織產(chǎn)生壓迫，進(jìn)而引發(fā)劇烈頭痛、嘔吐、意識(shí)障礙等癥狀[2]。部分患者還可能出現(xiàn)頸部僵硬和神志不清[3]。因此，對(duì)于出現(xiàn)上述癥狀的患者，及時(shí)進(jìn)行專業(yè)的醫(yī)學(xué)檢查和治療至關(guān)重要，以避免潛在的嚴(yán)重后果。

顱內(nèi)動(dòng)脈瘤的精準(zhǔn)診斷和治療是醫(yī)學(xué)影像處理領(lǐng)域的一個(gè)重要且具有挑戰(zhàn)性的課題。近年來(lái)，三維點(diǎn)云技術(shù)的應(yīng)用為顱內(nèi)動(dòng)脈瘤的診斷提供了新的研究方向[4]。然而，如何高效處理和分析這些復(fù)雜的三維點(diǎn)云數(shù)據(jù)，以提高診斷的準(zhǔn)確性和可行性，仍然是一個(gè)亟待解決的問(wèn)題。

針對(duì)上述挑戰(zhàn)，深度學(xué)習(xí)方法在醫(yī)學(xué)影像處理領(lǐng)域取得了顯著成就[5]。特別是，PointNet++網(wǎng)絡(luò)架構(gòu)作為一種前沿的深度學(xué)習(xí)技術(shù)，已經(jīng)證明了其在處理三維點(diǎn)云數(shù)據(jù)方面的卓越能力。PointNet++能夠有效捕獲點(diǎn)云數(shù)據(jù)中的局部和全局特征[6]，并且在處理不規(guī)則和無(wú)序數(shù)據(jù)方面具有顯著優(yōu)勢(shì)，這使其在醫(yī)學(xué)圖像處理領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。本研究旨在驗(yàn)證采用 PointNet++ 網(wǎng)絡(luò)架構(gòu)處理顱內(nèi)動(dòng)脈瘤三維點(diǎn)云數(shù)據(jù)的可行性和準(zhǔn)確性。通過(guò)深入分析，本文探索PointNet++在顱內(nèi)動(dòng)脈瘤診斷中的潛在優(yōu)勢(shì)，以及其對(duì)提高醫(yī)學(xué)影像處理效率的實(shí)際影響。

本研究不僅有望促進(jìn)顱內(nèi)動(dòng)脈瘤的早期識(shí)別和個(gè)體化治療，還為醫(yī)學(xué)圖像處理領(lǐng)域的創(chuàng)新研究與實(shí)踐應(yīng)用提供了重要的新視角。通過(guò)本文的研究，期待為顱內(nèi)動(dòng)脈瘤等嚴(yán)重疾病的診斷與治療提供有力的技術(shù)支持。本文的目標(biāo)是評(píng)估基于PointNet++的三維點(diǎn)云分割方法在顱內(nèi)動(dòng)脈瘤診斷中的效能，并探討其在該領(lǐng)域中的廣泛應(yīng)用可能性。

1 本文方法

本文采用了PointNet++模型，該模型在傳統(tǒng)Point?Net的基礎(chǔ)上引入了層次結(jié)構(gòu)的概念。網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖1所示。首先，本文介紹PointNet基線模型的基本原理，然后詳細(xì)講解了分層點(diǎn)集特征學(xué)習(xí)的過(guò)程。接著，討論了在不均勻采樣密度條件下如何進(jìn)行可靠的特征學(xué)習(xí)。最后，說(shuō)明了點(diǎn)特征傳播如何應(yīng)用于集合分割任務(wù)。

1.1 PointNet

對(duì)于一個(gè)無(wú)序的點(diǎn)集合{ x1，x2，...，xn }，其中xi ∈ Rd，可以定義一個(gè)集合函數(shù)f ：X → R，將這組點(diǎn)映射到一個(gè)向量，這里的X 表示點(diǎn)集，R 表示實(shí)數(shù)集，d 表示點(diǎn)的維度。

其中， γ 和 h 通常采用多層感知器（MLP） 網(wǎng)絡(luò)。

公式（1） 中的集合函數(shù)不會(huì)受到輸入點(diǎn)排列的影響，并且可以對(duì)任意連續(xù)集合函數(shù)進(jìn)行任意接近[7]。

PointNet 在一些基準(zhǔn)測(cè)試中表現(xiàn)出了顯著的性能。然而，它缺乏對(duì)不同尺度上的局部上下文進(jìn)行捕捉的能力。針對(duì)這一限制，在下一節(jié)中引入了分層進(jìn)行的特征學(xué)習(xí)框架，以解決這一問(wèn)題。

1.2 分層點(diǎn)集特征學(xué)習(xí)

雖然 PointNet 通過(guò)單一的最大池化操作將整個(gè)點(diǎn)集聚合在一起，但本文提出的新架構(gòu)建立了層次分明的點(diǎn)狀分組，并沿著逐步擴(kuò)大的局部區(qū)域提取層次化的特征。

本文的分層結(jié)構(gòu)由多個(gè)集合抽象層次構(gòu)成。集合抽象層次包括三個(gè)關(guān)鍵步驟：采樣層、分組層和PointNet層。采樣層：從輸入點(diǎn)集中選擇一組點(diǎn)，確定局部區(qū)域的中心點(diǎn)。 分組層：圍繞中心點(diǎn)構(gòu)建局部區(qū)域集合，尋找“鄰接點(diǎn)”。PointNet 層：通過(guò)迷你 Point?Net 對(duì)局部區(qū)域進(jìn)行編碼，生成特征向量。

一個(gè)集合抽象層以一個(gè)N × （d + C ） 的矩陣作為輸入，其中N 為點(diǎn)的數(shù)量，具有d 維坐標(biāo)和C 維點(diǎn)特征。它輸出一個(gè) N' × （d + C'） 的矩陣，其中包含 N' 個(gè)子采樣點(diǎn)，具有d 維坐標(biāo)和新的C'維特征向量，表示總結(jié)了局部上下文的特征向量。

1.3 在不均勻采樣密度下的可靠特征學(xué)習(xí)

點(diǎn)集的密度在不同區(qū)域通常是不均勻的，這對(duì)點(diǎn)集特征的學(xué)習(xí)提出了極大的挑戰(zhàn)。從密集區(qū)域中學(xué)到的特征不一定能夠推廣到稀疏區(qū)域。因此，為稀疏點(diǎn)云訓(xùn)練的模型可能無(wú)法識(shí)別局部結(jié)構(gòu)的細(xì)微之處。

在理想情況下，希望盡可能仔細(xì)地檢查點(diǎn)集，以捕獲點(diǎn)集采樣區(qū)域中的最細(xì)微之處。然而，在低密度區(qū)域，這種近距離檢查受到限制，因?yàn)椴蓸硬蛔憧赡軙?huì)破壞局部模式。在這種情況下，需要尋找更大尺度的模式，以覆蓋更廣泛的區(qū)域。為了達(dá)成這一目標(biāo)，提出了包括 （a） 多尺度分組 （MSG） 和 （b） 多分辨率分組 （MRG） 的密度自適應(yīng) PointNet 層，如圖 2 所示。它們能夠在輸入密度變化的情況下學(xué)習(xí)將不同尺度區(qū)域的特征合并。將具有密度自適應(yīng) PointNet 層的分層網(wǎng)絡(luò)稱為 PointNet++。在第 2.2 節(jié)中，分組和特征提取的單一尺度被包含在每個(gè)抽象層次中。而在PointNet++ 中，每個(gè)抽象級(jí)別都會(huì)抽取多個(gè)尺度的局部模式，并智能地結(jié)合在一起，根據(jù)局部點(diǎn)的密度進(jìn)行組合。因此，在結(jié)合不同尺度的局部特征后，提出了以下兩種密度自適應(yīng)層的類型：

1） 多尺度分組 （MSG）。如圖 2（a） 所示，通過(guò)相應(yīng)的 PointNet 應(yīng)用不同尺度的分組層，然后提取各個(gè)尺度的特征。這是一種簡(jiǎn)單有效的多尺度模式捕捉方法。將不同尺度的特性串聯(lián)起來(lái)，形成多尺度的特征表示。通過(guò)訓(xùn)練網(wǎng)絡(luò)學(xué)習(xí)一種優(yōu)化策略，以組合這些多尺度特征。將其稱為隨機(jī)輸入丟失。

2） 多分辨率分組 （MRG）。由于 PointNet 運(yùn)行在每個(gè)質(zhì)心點(diǎn)的大尺度鄰域上，因此上述 MSG 方法在計(jì)算上是昂貴的。特別是在最低級(jí)別時(shí)，質(zhì)心點(diǎn)的數(shù)量通常相當(dāng)大，導(dǎo)致時(shí)間成本顯著增加。在這里，提出了一種替代方法，以避免這些計(jì)算開(kāi)銷，同時(shí)仍然保留根據(jù)點(diǎn)的分布特性進(jìn)行信息自適應(yīng)聚合的能力。如圖 2（b） 所示，某一層次區(qū)域的特征由兩個(gè)向量的串聯(lián)組成：第一種向量（圖中左側(cè)） ：通過(guò)較低層次的各個(gè)子區(qū)域提取的特征，并利用集合抽象層次總結(jié)得到。第二種向量（圖中右側(cè)） ：直接在該區(qū)域的所有原始點(diǎn)上，通過(guò)單個(gè) PointNet 處理提取的特征。

1.4 點(diǎn)特征傳播用于集合分割

在集合抽象層中，原始點(diǎn)集已經(jīng)被采樣過(guò)。然而，在諸如語(yǔ)義點(diǎn)標(biāo)記的集合分割任務(wù)中，需要獲取所有原始點(diǎn)的點(diǎn)特征。一種解決方法是始終在質(zhì)心的所有集合抽象層中的所有點(diǎn)上進(jìn)行操作，但這會(huì)導(dǎo)致計(jì)算成本過(guò)高，這種方法被稱為質(zhì)心所有集合抽象。另一種方式是將特征從子采樣點(diǎn)傳播到原始點(diǎn)。采用一種基于距離的插值和跨級(jí)跳連的分層傳播策略，具體如圖 1 所示。

在一個(gè)特征傳播層中，將點(diǎn)特征從Nl × （d + C ） 個(gè)點(diǎn)傳播到Nl - 1 個(gè)點(diǎn)，其中Nl - 1 和Nl（滿足N l ≤Nl - 1）分別是輸入和輸出集合抽象層l 的點(diǎn)集大小。通過(guò)在Nl 點(diǎn)的坐標(biāo)處插值Nl - 1 點(diǎn)的特征值f 來(lái)實(shí)現(xiàn)特征傳播。在眾多插值方法中，采用基于k 最近鄰的反距離加權(quán)平均，其基礎(chǔ)是最近的鄰點(diǎn)（如公式 2 所示，默認(rèn)使用p = 2，k = 3） 。隨后，將Nl - 1 點(diǎn)上的插值特征與從集合抽象層引出的跳連特征串聯(lián)起來(lái)。

接著，通過(guò)“單元 PointNet”將串聯(lián)特征傳遞出去，這在 CNN 中類似于一個(gè)點(diǎn)的卷積。在每個(gè)點(diǎn)的特征向量更新中，應(yīng)用了一些共享的全連接層和 ReLU 層。這個(gè)過(guò)程不斷重復(fù)，直到將特征傳播到原始點(diǎn)集合。

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)集

IntrA [8]數(shù)據(jù)集用于對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類和分割。IntrA 收集了103位帶有血管系統(tǒng)的患者的整個(gè)腦部3D 模型。通過(guò)對(duì)患者掃描的 2D MRA 圖像進(jìn)行重建，形成了整個(gè)腦血管系統(tǒng)的 3D 模型。IntrA 包含了由專家手動(dòng)注釋的1 694個(gè)健康血管部分、215個(gè)動(dòng)脈瘤部分和116個(gè)動(dòng)脈瘤分割部分。所有的2 025個(gè)樣本都被表示為3D點(diǎn)云。這些2 025個(gè)血管部分和動(dòng)脈瘤部分被用作本研究中的分類數(shù)據(jù)集，而116個(gè)標(biāo)注的動(dòng)脈瘤分割部分被用作分割數(shù)據(jù)集。此外，數(shù)據(jù)集還通過(guò) FileSplit 文件夾中的數(shù)據(jù)集文件拆分為 5 個(gè)子集，從而實(shí)現(xiàn)了 5 折交叉驗(yàn)證。

2.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在 Linux 操作系統(tǒng)下運(yùn)行，訓(xùn)練環(huán)境如表 1 所示。此外，通過(guò)選擇1 000 個(gè) Epoch 和 Batch Size 為 32，模型能夠在保證訓(xùn)練效率的同時(shí)充分學(xué)習(xí)數(shù)據(jù)特征。使用 Adam 優(yōu)化器，利用其自適應(yīng)學(xué)習(xí)率的優(yōu)勢(shì)，提高訓(xùn)練的適應(yīng)性和穩(wěn)定性。引入10-4的WeightDecay來(lái)防止過(guò)擬合，并每20個(gè)Epoch降低學(xué)習(xí)率以優(yōu)化收斂過(guò)程，同時(shí)設(shè)置學(xué)習(xí)率衰減量為0.7，以精細(xì)調(diào)整后期學(xué)習(xí)。整體上，這些設(shè)置旨在實(shí)現(xiàn)高效、穩(wěn)定的訓(xùn)練效果，最大化模型性能。

3 實(shí)驗(yàn)結(jié)果

該實(shí)驗(yàn)為醫(yī)學(xué) 3D 點(diǎn)云（IntrA） 分割實(shí)驗(yàn)。表2對(duì)目前在點(diǎn)云深度學(xué)習(xí)中使用的 PointNet 算法與 Point?Net++ 的五折交叉驗(yàn)證結(jié)果進(jìn)行了比較。第二列中的“采樣點(diǎn)數(shù)”標(biāo)題表示輸入樣本點(diǎn)的數(shù)量。IOU 或DSC 的 95% 置信區(qū)間由 CI95 表示。V.和 A.分別表示健康血管部分和動(dòng)脈瘤部分。表中相應(yīng)的結(jié)果是所有折疊的平均值。交并比（IOU） 和 S?rensen-Dice 系數(shù)（DSC） 顯示 PointNet++ 在顱內(nèi)動(dòng)脈瘤分割方面表現(xiàn)出顯著的性能優(yōu)勢(shì)。

在采用基礎(chǔ)的 PointNet++ 網(wǎng)絡(luò)時(shí)，512 個(gè)樣本點(diǎn)在動(dòng)脈瘤部分的分割中表現(xiàn)最佳，而 1 024 個(gè)樣本點(diǎn)在健康血管部分的分割中表現(xiàn)最佳。512 個(gè)樣本點(diǎn)的動(dòng)脈瘤分割結(jié)果中，IOU 和 DSC 系數(shù)分別比原始任務(wù)高出 19.43%和38.92%。此外，1 024 個(gè)樣本點(diǎn)的血管分割結(jié)果中，IOU 和 DSC 系數(shù)分別比原始任務(wù)高出18.12%和39.31%。

表2顯示，在血管分割結(jié)果中，采用模型在 1 024 個(gè)采樣點(diǎn)的情況下分割得到的 IOU 最高值為93.35%，DSC 最高值為76.38%。在顱內(nèi)動(dòng)脈瘤分割結(jié)果中，采用模型在 512 個(gè)采樣點(diǎn)的情況下分割得到的最高 IOU 和 DSC 值分別為93.42% 和76.22%。

本研究提出的方法在顱內(nèi)動(dòng)脈瘤分割指標(biāo)上相較于 PointNet 表現(xiàn)出顯著的性能提升，IOU 指標(biāo)提高了 19.43%，DSC 指標(biāo)提高了 38.92%；在血管分割指標(biāo)上，IOU 提高了18.12%，DSC 提高了 39.31%。由此可見(jiàn)，所采用的模型不僅能夠顯著改善顱內(nèi)動(dòng)脈瘤分割效果，還能夠提高血管分割的準(zhǔn)確性。

為了更直觀地展示分割結(jié)果，圖 3 給出了三個(gè)模型在 1 024 個(gè)采樣點(diǎn)時(shí)的分割結(jié)果。第一行顯示了PointNet 的分割結(jié)果，第二行顯示了 PointNet++ 的分割結(jié)果，最后一行顯示了真實(shí)情況。視覺(jué)分析結(jié)果表明，提出的模型在健康血管部分和動(dòng)脈瘤部分均改善了原始任務(wù)的分割結(jié)果，并且基于多層特征嵌入的深度網(wǎng)絡(luò)的分割結(jié)果更接近真實(shí)情況。

4 結(jié)論

本研究通過(guò)實(shí)驗(yàn)驗(yàn)證了采用 PointNet++ 網(wǎng)絡(luò)架構(gòu)處理顱內(nèi)動(dòng)脈瘤三維點(diǎn)云數(shù)據(jù)的可行性和準(zhǔn)確性。與傳統(tǒng)方法相比，PointNet++ 網(wǎng)絡(luò)展現(xiàn)了顯著的分割精度優(yōu)勢(shì)，成功捕捉到病灶區(qū)域的特征，為醫(yī)生提供了更高精確度的病變位置和程度判斷，從而輔助制定更有效的治療方案。這一成果不僅對(duì)醫(yī)學(xué)影像處理領(lǐng)域的技術(shù)創(chuàng)新具有重要意義，也為早期診斷和治療開(kāi)辟了新途徑。

未來(lái)的工作將致力于優(yōu)化 PointNet++ 網(wǎng)絡(luò)的結(jié)構(gòu)，提高分割精度和效率；結(jié)合 CT、MRI 等其他醫(yī)學(xué)數(shù)據(jù)進(jìn)行多模態(tài)診斷，以進(jìn)一步提升診斷的準(zhǔn)確性和可靠性；擴(kuò)大樣本規(guī)模，增強(qiáng)模型的泛化能力；提高模型的解釋性，增強(qiáng)醫(yī)生對(duì)模型決策過(guò)程的信任度；以及加強(qiáng)臨床試驗(yàn)與倫理研究，確保新技術(shù)符合醫(yī)療倫理標(biāo)準(zhǔn)。此外，保護(hù)數(shù)據(jù)隱私和安全的研究也將是未來(lái)工作的重點(diǎn)，以確?；颊咝畔⒌陌踩?。

期待通過(guò)持續(xù)的研究和技術(shù)創(chuàng)新，進(jìn)一步提升顱內(nèi)動(dòng)脈瘤的診斷精度，為患者帶來(lái)更好的治療效果和生活質(zhì)量。

補(bǔ)充材料：

論文涉及實(shí)驗(yàn)數(shù)據(jù)集（IntrA：3D Intracranial Aneu?rysm Dataset for Deep Learning） 為公開(kāi)數(shù)據(jù)集，數(shù)據(jù)集的具體網(wǎng)址為：https：//github.com/intra3d2019/IntrA。

參考文獻(xiàn)：

[1] 鄧有琦，龍燕玲，鄔宗國(guó).破裂顱內(nèi)動(dòng)脈瘤性蛛網(wǎng)膜下腔出血患者腦梗死發(fā)生特征及其與臨床預(yù)后的關(guān)系[J].腦與神經(jīng)疾病雜志，2020，28（5）：309-313.

[2] 孟憲兵，王倩，謝方民，等.妊娠期及產(chǎn)褥期顱內(nèi)出血的臨床特點(diǎn)和治療策略[J].中華婦產(chǎn)科雜志，2022，57（3）：214-218.

[3] 魯潔.顱內(nèi)動(dòng)脈瘤夾閉術(shù)后神志不清患者發(fā)生深靜脈血栓栓塞癥的預(yù)防及護(hù)理[J].中文科技期刊數(shù)據(jù)庫(kù)（全文版）醫(yī)藥衛(wèi)生，2022（4）：70-73.

[4] 張錦亮，楊光明.三維CTA在顱內(nèi)動(dòng)脈瘤患者中的臨床診斷價(jià)值分析[J].罕少疾病雜志，2018，25（2）：7-8，11.

[5] 林金朝，龐宇，徐黎明，等.基于深度學(xué)習(xí)的醫(yī)學(xué)圖像處理研究進(jìn)展[J].生命科學(xué)儀器，2018，16（S1）：45-54.

[6] 吳軍，崔玥，趙雪梅，等.SSA-PointNet++：空間自注意力機(jī)制下的3D點(diǎn)云語(yǔ)義分割網(wǎng)絡(luò)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2022，34（3）：437-448.

[7] QI C R，SU H，MO K C，et al.PointNet：deep learning on point setsfor 3D classification and segmentation[EB/OL].[2022-10-20].2016：1612. 00593.https：//arxiv.org/abs/1612.00593v2.

[8] YANG X，XIA D，KIN T，et al.IntrA：3D intracranial aneurysm da?taset for deep learning[C]//2020 IEEE/CVF Conference onComputer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020：2653-2663.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：皖南醫(yī)學(xué)院2023 年省級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目“基于LSTM 的動(dòng)脈瘤性蛛網(wǎng)膜下腔出血預(yù)后風(fēng)險(xiǎn)評(píng)估系統(tǒng)”（S202310368136） ；皖南醫(yī)學(xué)院2023 年度校大學(xué)生科研資助金項(xiàng)目“ 基于3D 點(diǎn)云的顱內(nèi)動(dòng)脈瘤檢測(cè)與分割”（WK2023XS46）