基于深度学习U-Net的ASL 4D MRA颅内血管分割技术

《MAGNETIC RESONANCE IN MEDICINE》：ASL 4D MRA Intracranial Vessel Segmentation With Deep Learning U-Nets

本文提出了一种结合时空信息的U-Net变体4DST网络，用于非对比增强4D MRA血管分割，避免了传统4D卷积的高内存消耗。实验表明，4DST在DSC（0.876±0.03）、clDice（0.865±0.02）和HD（6.24±0.95）等指标上优于其他模型，且在SNR 1-10和ATT 500-800ms时灵敏度最佳，总血管长度和分支数分析更接近真实值。

　　在医学影像领域，血管分割是一项具有重要意义的技术，尤其是在脑血管疾病的诊断和研究中。4D磁共振血管造影（4D MRA）作为一种非侵入性的成像方法，能够提供高分辨率的血流动态信息，为医生提供更为全面的血管结构和功能评估。然而，传统的血管分割方法往往忽略了时间维度，导致对动态血流特征的捕捉不够充分。为了解决这一问题，本文提出了一种新的深度学习架构——4DST网络，旨在结合空间和时间信息，以提升血管分割的准确性和鲁棒性，同时避免使用内存消耗较大的四维卷积层。

4DST网络的引入，是基于对经典U-Net架构的改进，特别是其在处理三维空间信息方面的成功经验。U-Net因其在医学图像分割中的优异表现而广受关注，其结构特点包括编码器-解码器的对称设计，以及跳跃连接机制，这些特性使得其在处理复杂结构时表现出色。然而，传统U-Net主要应用于静态图像，对于4D MRA这类包含时间信息的数据，其性能受到了一定的限制。为了克服这一问题，研究者尝试在U-Net中引入时间维度，以增强模型对动态血管特征的识别能力。例如，3DST网络便是通过在时间维度上进行卷积操作，从而在一定程度上提升了分割性能。

本研究采用了35名健康志愿者和5名动脉静脉畸形（AVM）患者的4D MRA数据进行训练和验证。通过对比多种模型，包括传统的2D和3D U-Net、基于隔离森林（Isolation Forest）的非深度学习方法，以及一种现代改进的BRAVE-Net，研究发现4DST网络在多个关键指标上表现最佳。例如，在Dice-S?rensen系数（DSC）、中心线Dice（clDice）和Hausdorff距离（HD）方面，4DST分别达到了0.876?±?0.03、0.865?±?0.02和6.241?±?0.95。这表明，4DST不仅在分割的准确性上优于其他模型，还在捕捉血管结构的连续性和精确度方面具有显著优势。

此外，研究还分析了不同信号噪声比（SNR）和动脉通过时间（ATT）对分割敏感度的影响。结果表明，在SNR较低的情况下，4DST仍然能够保持较高的敏感度，而在ATT较高的区域，其性能也优于其他模型。这说明，4DST在面对复杂动态条件下的血管分割任务时，具有更强的适应性和鲁棒性。同时，通过图分析得出的血管总长度、分支数量和端点数量也表明，4DST在血管结构的还原上更接近真实情况。

在实际应用中，4DST的优势不仅体现在其性能上，还在于其对数据预处理的低依赖性。相较于其他方法，4DST的分割过程需要较少的预处理和后处理步骤，这使其在临床应用中更具吸引力。传统方法往往需要复杂的预处理流程，如颅骨剥离和全脑分割，而4DST则能够在减少这些步骤的同时，仍然保持较高的分割质量。

为了进一步验证4DST的泛化能力，研究还对外部数据集进行了测试，包括来自5名AVM患者的4D MRA数据。尽管在整体颅内体积上的表现略有下降，但在病变区域的分割效果仍然优于其他模型。这表明，4DST在面对不同类型的血管结构时，具有良好的适应性。同时，研究还探讨了不同时间分辨率下的分割效果，发现使用更少的MR采集角度（如10 spokes）时，4DST仍然能够保持较高的分割性能，而在更高时间分辨率（如40 spokes）下，其性能略有下降，但仍优于其他模型。

在研究过程中，4DST的网络结构和训练方式也得到了深入探讨。其采用的并行配置的3DST网络和优化的细化模块，使得模型能够在处理时间维度的同时，保持对空间信息的有效捕捉。通过调整损失函数的权重，研究者发现将中心臂与最终输出的损失比例设为30:70时，能够取得最佳性能。这一设计优化了模型对不同阶段的监督，从而提升了整体分割效果。

此外，研究还对比了不同的细化模块，如普通卷积（CNN）、残差网络（Residual）、密集网络（Dense）和残差-密集混合模块（ResDense）。结果表明，ResDense模块在多数指标上表现最佳，说明其在整合空间和时间信息方面具有显著优势。通过这种方式，4DST不仅能够更准确地识别血管结构，还能够减少分割误差，提高模型的鲁棒性。

在讨论部分，研究者指出4DST的优势在于其对时间信息的有效利用，以及对传统深度学习模型的改进。虽然4DST在分割性能上表现优异，但在某些情况下，如在高ATT区域或低SNR环境下，其性能仍有提升空间。这可能与血管结构的复杂性、数据采集和重建过程中的噪声水平以及模型对不同血管类型的适应性有关。因此，未来的研究可以考虑引入更多专门设计的损失函数，如中心线Dice损失或基于血管结构长度的优化策略，以进一步提升模型的性能。

同时，研究者也指出了本研究的局限性。由于数据集的规模有限，某些模型可能未能充分展现出其潜力。此外，当前研究的结论基于特定的MRI协议，包括脉冲动脉自旋标记（pulsed ASL）、堆叠星星（SOS）金角采集方式以及低秩重建技术。因此，对于不同的ASL标记方案、采集方式和重建方法，需要进一步的验证。另外，研究未涉及其他脑血管疾病（如动脉硬化、动脉瘤和烟雾病）的分割效果，未来的工作可以扩展到这些领域。

在方法部分，研究详细描述了数据准备、网络架构和训练过程。数据经过裁剪和归一化处理，以去除背景并确保模型输入的适配性。为了减少异常值，时间维度进行了平滑处理。所有模型的输入均基于不同的切片和体素特征，其中4DST的输入包含了时间维度的完整信息，以确保模型能够充分捕捉血管的动态变化。训练过程中，使用了Adam优化器和合适的批处理大小，以确保模型能够高效学习。

总体而言，4DST网络的提出为4D MRA血管分割提供了一种新的解决方案。它不仅在分割精度上取得了显著提升，还在减少计算资源消耗和提高模型泛化能力方面表现出色。未来的研究可以进一步优化模型结构，探索更多适应不同临床场景的分割方法，以及结合更丰富的数据特征，以提升血管分割的准确性和实用性。