基于深度学习的脑出血血肿分割和体积计算

0.前言

论文来自TOP期刊STROKE，使用AI方法分割CT影像中脑出血血肿，并测量体积。前不久分享一篇关于脑硬膜出血AI辅诊断的论文属于同一类论文（见链接）。作者团队来自徐州中心医院和大连医科大学。

1.论文基本信息

A Robust Deep Learning Segmentation Method for Hematoma Volumetric Detection in Intracerebral Hemorrhage.

STROKE是经同行评审的传统订阅（non-OA）期刊，创刊于1970年，是美国卒中协会（American Stroke Association）的官方杂志。

2.论文简介

2.1基本介绍

基于Unet分割网络结构，开发了DR- UNet(dimension reduction UNet )模型，可以对脑出血 (ICH)患者CT影像进行分割，然后测量血肿体积(HV)，作者从三个角度证明了自己算法是牛B的。

（1）内外部双数据集测试，指标牛

为了验证模型泛化性，采用两个时间段的数据分别进行训练、验证、内部测试和外部测试。内部和外部测试数据指标如下：

内部：Dice 为 0.861± 0.139

外部：Dice 为 0.87 4± 0.130

具体指标见下表，同时对了UNet、FCM、Active contour算法。

作者又用箱型图把评价指标展示了一下，如下图，值得学习，论文就要图文并茂，要多种方式呈现，显得高端。

有图有真相，红色线包围区域是真值，也就是标准答案，其他颜色线是每个模型给的分割效果，越贴近红色线越好。

从图中看出Unet算法还有漏掉的，大壮感觉第一列第三行这漏掉的红色区域很明显，模型训练充分的情况下不会漏掉的，这里主要是用来衬托出本文算法好。

图：不规则形状的血肿组

图：硬膜下和硬膜外血肿组

(2)专家对比，效果牛

DR- U N et 得到的 HV 测 量 值与手 工分割 得到 的 HV 测 量值 有很强的相关性 (R2 =0.9979;P < 0. 0 0 0 1 ),效果跟专家差不多。使用相关性来对比分割效果，是一种常用手段。

（分割网络并不能直接输出血肿的体积，而是对分割图像进一步处理后计算得到的）

1）血肿预测体积误差对比，从图中可以看绿色线是本文算法，与真值（ground truth）最接近。

2） DR-UNet、UNet和Coniglobus方法的误差曲线。

3)使用皮尔逊相关性曲线进一步说明自己的算法效果和真值（ground truth）很接近，如下图。

Pearson相关系数（Pearson Correlation Coefficient）：是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。

（3）难例测试，效果好

使用一些难例样本，分别和 UNet 和 Coniglobu算法对比HV(血肿体积)测量效果，不但效果好还耗时少，而且模型参数还比Unet少，你说气人不。

难例：是指一些测试、测量都比较复杂的样本。本文选择了13 例不规则血肿、 11 例硬膜下及 硬膜外血肿等不同类型 H V 样本（体积不同）

有图有真相，下图可以看出DR-UNet针对以下不规则、体积不同的血肿分割和体积测试效果也是棒棒哒。

DR-Unet时间上也比其他算法快，不信看下表，平均时间1.2s。

大家看完介绍会感觉这算法就是六边形战士，各方面很牛B。在有数据基础下，你写算法也能成为六边形战士，不过需要掌握套路。

作者团队开源自己数据和代码，我感觉这也是他们论文能中顶刊的原因。

他们的代码：GitHub - DR-UNet/dr-unet

2.2关于外部测试集

AI算法会存在过拟合情况，就是在某个数据集上表现很好，但是拿到别的数据集表现就很差，也就是模型泛化性差,就需要增加外部测试数据集,进一步验证模型性能。

使用的并不是严格的外部数据集，因为这个数据也是来自这同一家医院的，只是采集时间段不同，外部数据应该更严苛一些，来自不同医院甚至不同设备采集的影像数据。

3.数据介绍

（1）数据情况

数据来自徐州中心医院，挑选条件如下：

1) 患 者 被诊断为 ICH（脑出血）

(2)诊断与 C T 扫描吻合

(3)诊断为 IC H 后1周内进行非增强C T 扫描。

 2017 年1月至2018 年12月收集512 例患者(男性 246 例，女性 266 例年龄(55.13±18.45)岁)，主要用来训练和内部评估（retrospective dataset,回顾性数据集）。

对于2019年后采集数据做外部测试（prospective dataset，前瞻性数据集），有50 例 ICH 患者(男性 29例，女性 21 例;年龄(60.14±15.17)岁)，验证深度学习模型的普适性（也叫泛化性）。

每 个 切 片厚度 为 4 ~ 5 m m 。 在 回 顾性 和 前 瞻性 数 据 集中 分别有12568、1257 片头部 CT 切片。

（2）血肿分割和标注

（1）由一名有 10 年工作经验的医师使用自行开发的标记平台（大家一般都是使用开源工具）标记血肿的轮廓、类别和位置。

（2）在（1）基础上，由一名高年资医师(22 年工作经验)对缺失和标记错误的血肿进行修改。

（3）3 位医生分别记录血肿最大层的最长直径、最短直径和血肿高度，并计算 HV 值（血肿体积）

人工智能，智能背后是大量人工，标注绝对是体力活。

4.算法介绍

（1）数据预处理

图像尺寸为256×256，换为灰度图像，然后进行归一化。应用几何变换(旋转、缩放和平移)来实现实时数据增强。都是常规操作。

（2）模型结构

相对于经典分割网络UNet没有太大的变化。在Encode（编码阶段），先将图像输入block 1（1*1卷积） 进 行 降维 ， 然后 再输入块Block2(3*3卷积) 进行 恢 复。在Decode（解码阶段）操作相似。

使用1*1卷积代替原来的3*3卷积，所以模型参数量会少，运行时间也缩短了，虽然前期使用1*1卷积降维了，但是后面使用3*3卷积又进行恢复，所以模型特征提取能力也没下降。

总算法改进很简单，还可以各种魔改出N个版本，老铁们发刊的机会不就来了吗，改改网络。

(3)血肿体积计算

血肿分割的输出的是二值图像(血肿像素值为1，非血肿像素值为 0)，所有非零像素的和就是出血区域的每一层的面积，面积乘切片高度就计算出一个切片血肿体积了，把所有切片体积加在一起就是总体积了。公式如下

其 中 T 为厚度，n是切片数，比Sn是血肿面积，从公式可知，切片越薄，体积计算的越准确。

体积并不是网络直接预测出来的呦，是根据切片分割结果后处理得到的

5.点评

（1）从算法角度看，本文创新性是不足，医工交叉研究，对算法创新要求相对较低，注重数据、实验对比以及研究方法。掌握套医学影像论文套路即可。

（2）论文数据工作扎实，且从不同角度对比突出自己算法效果好，图文并茂，而且代码和数据也开源了，这点很好。

（3）论文提出了模型泛化性问题，也就是模型有可能在一个数据集上因为过拟合表现的很好，在其他数据集上效果就不稳定了，然后提出使用外部数据集验证，但是不是真正意义的外部数据集，采用的是同一家医院不同时间段的数据。

（4）还有很多工作可以做，比如使用真正的外部数据集、使用3D分割，算法改进再大一些。感兴趣的朋友们可以跟大壮交流。

 广告 

1.大壮开发了一个基于人工智能的临床数据分析和机器学习建模软件。

医学临床数据机器学习研究和实验指导服务

机器学习在临床医学研究中的应用套路

2.大壮提供医疗影像研究方向定制化服务，思路指导、算法实现、技术咨询服务，包括但不局限CT、MRI图像分割、图像生成、多模态等技术支持。 

 3.感觉有用，帮忙转发