基于深度学习的计算机辅助诊断系统对脑出血血肿体积的测量研究

贾永军，于 楠，于 勇，2，杨创勃，2，马光明

（1.陕西中医药大学附属医院医学影像科，陕西 咸阳 712000；2.陕西中医药大学医学技术学院，陕西 咸阳 712000）

脑出血是临床常见的致残率、致死率较高的急重症，而血肿体积作为判定手术指征的标准，也是患者预后不良的重要独立预测因素，因此，快速且准确地测量血肿体积有利于临床有效治疗并评估预后［1-4］。目前，脑内血肿体积测量尚缺少金标准，常用的测量方法如2/3Sh 公式法（2/3×最大面积×高）［5］、Coniglobus 公式法（π/6×长×宽×高）［6］、CT 阈值定量等，但均存在测量误差较大或费时、费力等不足。随着计算机辅助诊断系统影像成型产品不断涌现［7］，通过基于深度学习的计算机辅助诊断（deep learning-based computer aided diagnosis，DL-CAD）系统即人工智能能够有效检测颅内血肿［8］，其也逐渐应用于临床测量脑出血体积中。本研究以itk-snap 软件手工勾画作为血肿体积测量的金标准，对2/3Sh 法、Coniglobus 公式法及DL-CAD 测量血肿体积进行比较分析，探讨DL-CAD 对规则和不规则脑出血血肿体积测量的准确性与实用性。

1 资料与方法

1.1 一般资料 收集陕西中医药大学附属医院2019 年1—3 月经颅脑MSCT 明确诊断为急性高血压脑出血患者120 例，其中男74 例，女46 例；年龄43～82 岁，平均（65.59±10.81）岁。CT 检查时间均为发病24 h 内；均符合《自发性脑出血诊疗指南——美国心脏协会/美国卒中协会的健康职业者指南》中脑出血的诊断标准［9］；排除血肿破入脑室及蛛网膜下腔、肿瘤实质内出血、外伤性颅内血肿、硬膜外或硬膜下血肿。

1.2 分组 根据CT 图像上最大层面的血肿形态，参考Barras 等［10］对血肿规则性的五分类法判别血肿形状：Ⅰ和Ⅱ类为规则血肿（≤1 个岛状或半岛状凸起），Ⅲ～Ⅳ类为不规则血肿（＞1 个岛状或半岛状凸起）。将120 例分为规则组（血肿形态规则）和不规则组（血肿形态不规则）各60 例。

1.3 血肿体积计算 ①2/3Sh 法和Coniglobus 公式法计算得出血肿体积（mL）。②DL-CAD 法：随即经PACS 在已预装DL-CAD 的华海医学影像工作站上得到DL-CAD 测量的血肿体积（mL）。③itk-snap 软件手工勾画：在华海医学影像工作站上保存为DICOM格式，打开itk-snap 医学图像处理软件，导入颅脑DICOM 格式CT 图像，在脑实质窗下选择血肿所有层面，根据像素密度手工认真勾画血肿边界，逐层计算出血面积后叠加得出血肿体积（mL）。所有测量和手工勾画血肿边界均由1 名具有10 年影像诊断经验的主治医师完成，测量与边界勾画的过程和数据经1 名具有17 年诊断影像诊断经验的主任医师审核。以软件手工勾画作为血肿体积的金标准，得到2/3Sh法、Coniglobus 公式法及DL-CAD 血肿体积的测量误差率，误差率定义为各方法计算体积与itk-snap 测量体积差的绝对值除以itk-snap 测量体积。

1.4 统计学方法 采用SPSS 20.0 统计软件进行数据处理。计量资料行配对t 检验，以表示，不同测量方法测量数据比较行两两配对t 检验。以P＜0.05 为差异有统计学意义。

2 结果

2.1 4 种方法测量的血肿体积比较（表1）4 种方法测量得到血肿体积均符合正态分布。对于规则血肿，DL-CAD 测量体积最小，itk-snap 软件手工勾画法、2/3Sh 公式法、Coniglobus 公式法测量体积依次增大；4 种方法两两比较，差异均有统计学意义（均P＜0.05）。对于不规则血肿，itk-snap 软件手工勾画法测量体积最小，DL-CAD、2/3Sh 公式法、Coniglobus 公式法测量体积依次增大；4 种方法两两比较，差异均有统计学意义（均P＜0.05）。

表1 4 种方法对规则血肿及不规则血肿的测量结果比较（mL，）

表1 4 种方法对规则血肿及不规则血肿的测量结果比较（mL，）

注：DL-CAD，基于深度学习的计算机辅助诊断系统。规则血肿：itk-snap 测量体积小于2/3Sh 和Coniglobus 公式测量体积（t=-3.936、-11.264，均P＜0.001），大于DL-CAD 测量体积（t=2.12，P=0.038）；2/3Sh 公式测量体积大于DL-CAD 测量体积（t=-5.453，P＜0.001），小于Coniglobus 公式测量体积（t=-2.448，P=0.017）；Coniglobus 公式测量体积大于DL-CAD测量体积（t=-7.632，P＜0.001）。不规则血肿：itk-snap 测量体积小于2/3Sh 公式、Coniglobus 公式和DL-CAD 测量体积（t=-10.175、t=-11.445 和t=-3.173，P＜0.05）；2/3Sh 公式测量体积大于DL-CAD 测量体积（t=8.358，P＜0.001），但小于Coniglobus 公式测量体积（t=-8.056，P＜0.001）；Coniglobus 公式测量体积大于DL-CAD 测量体积（t=11.161，P＜0.001）。

2.2 4 种方法的测量误差 以itk-snap 法测量结果为参考标准，DL-CAD、2/3Sh 公式法、Coniglobus 公式法测量血肿体积的误差率逐渐增大（图1，2），且对不规则血肿的测量误差更明显。对于规则血肿，2/3Sh法平均误差率为7.58%，Coniglobus 公式法为13.15%，DL-CAD 为4.11%；对于不规则血肿，2/3Sh 法平均误差为8.37%，Coniglobus 公式法为30.99%，DL-CAD为6.05%。

3 讨论

脑出血是指原发于脑实质内的自发性、非外伤性出血，发病率和死亡率高，常为急诊入院，需尽快根据病情完善相关检查并进行针对性处理。出血量是患者卒中预后的独立影响因素，也是临床密切关注的指标，准确测量血肿体积可帮助临床有效治疗并评估预后。临床实践中，快速、精确、便捷测量脑出血患者的颅内血肿体积对辅助诊断和治疗具有较高的应用价值。目前，国内外仍常使用比较传统的测量方法测量脑出血的血肿体积，如Coniglobus 公式法、2/3Sh 公式法、体视学法、CT 定量法等［11］，但上述测量方法均存在不足：①Coniglobus 公式测量法虽操作方便、快捷，但只能粗略计算血肿体积，不够精确；其测量结果常大于血肿实际体积［12］，特别是对于不规则血肿、分叶状血肿和硬膜下血肿的计算结果误差大［13］。②2/3Sh 公式法测量计算 血肿体积相对于Coniglobus 公式稍复杂，需在工作站、后处理服务器或第三方软件上勾画、测量血肿最大层面面积及高度，对不规则血肿体积计算结果优于Coniglobus 公式［14］，本研究认为，相对于Coniglobus 公式法测量血肿体积，2/3Sh 公式计算不规则血肿体积相对精确，但存在费时、效率低且需等工作站、后处理服务器等问题。③体视学法要求根据头部CT 片的比例尺单位长度，间隔在胶片上划出互相垂直的线，制作简单的正方形测量格子（测格），然后将测格随意叠放在CT 片上，计数落于血肿上的测点数（覆盖血肿范围内正方形测量格子数量），最终根据血肿体积公式计算，V=a（P）×ΣP×t，a（P）为测点相当的面积1 cm2，ΣP 为落于血肿上的测点总数，t 为层厚，累加每层面血肿上测点数乘上层厚即为血肿体积的数值。体视学法虽能较准确地测得任意大小、形态的血肿体积，但较费时，临床普及率不高，本研究未采用。基于CT定量法的计算机辅助容量分析作为评价血肿体积的最准确的方法［5］，其测量血肿体积结论准确、重复性好，不受血肿形状和部位的影响，能满足临床多种应用需要［15］，但该方法最耗时，也仅限在影像科工作站或第三方后处理软件上使用。本研究采用的医学图像分析处理平台itk-snap 软件（itk-snap/3.8.0/itksnap-3.8.0-20190612-win64.exe）代表基于CT 定量法的计算机辅助容量分析法，能准确测量包括血肿在内的所有医学影像图像上病变体积［16］。本研究在itksnap 软件上勾画血肿边缘耗时3～18 min，中位耗时约7 min。

相较于传统人工测量血肿体积方法，DL-CAD 方法具有便捷、结果精确及可避免人工计算血肿体积时的个体误差。其由计算机自动识别、分割、标记血肿范围内的所有体素，计算机自动统计血肿体积（即所有体素体积和），是一种计算机辅助的全自动容积测量方法，连接上PACS 后可实时三维显示血肿位置、边界、大小，同时计算出血肿体积（mL），大大降低诊断时间。但由于脑出血图像上血肿外观具有复杂性、多样性和渐变性，计算机自动分割血肿目前尚缺少各种临床场景下不同类型血肿体积测量准确性的循证研究成果。本研究基于形态是脑内血肿体积和再出血的重 要影响因素［17］，参考Barras 等［10］对血肿规则性的五分类法将血肿分为规则形和不规则形2 种。规则血肿各种计算方法得到血肿体积较为接近；而通过2/3Sh 公式法、Coniglobus 公式法测量不规则血肿体积的误差率较大，而DL-CAD 方法测得的不规则血肿体积较接近金标准的itk-snap 软件法，与Won 等［18］的结论相似。在医学图像的人工智能分析中，深度学习是更有潜力的技术，新一代DL-CAD 以人工智能为核心技术，能在薄层影像上于三维状态下计算血肿整体的尺寸和密度定量参数，对血肿形态特征和组织空间分布的定量特征进行精准分析，结果精确、客观，整体提高诊断质量水平［19］，且具有更强的学习能力及自主学习进化能力，结合高维信息挖掘大量学习数据，突破模型准确率的瓶颈限制，可使模型得到高效运用［20］，相比于常规的计算机辅助诊断系统，临床可行性及普及性更优。

图1 男，75 岁，左侧基底节区高血压性脑出血，规则血肿 图1a 在itk-snap 软件三维层面图像上手工勾画所有血肿像素测得血肿体积为9.45 mL，血肿定量采用2/3Sh 法测得9.94 mL，Coniglobus 公式法测得8.48 mL 图1b 基于深度学习的计算机辅助诊断系统（DL-CAD）血肿勾画和测量，显示血肿体积为9.50 mL 图2 女，59 岁，左侧基底节区高血压性脑出血，不规则血肿 图2a 在itk-snap 软件三维层面图像上手工勾画所有血肿像素测得血肿体积为34.32 mL，血肿定量采用2/3Sh 法测得39.94 mL，Coniglobus 公式法测得41.08 mL 图2b DL-CAD 血肿勾画和测量，显示血肿体积为33.05 mL

本研究的局限性：由于该数据集在扫描和研究方案的出血时间方面有严格的纳入排除标准，导致样本量较小；依据文献对规则血肿和不规则血肿的定义有主观性，且分类仅限于轴位图像上；采用的仅是诸多DL-CAD 软件中的一个版本，要求有较完全的颅脑DICOM 数据且层厚为5 mm 以内，因此采用其他DL-CAD 软件计算多种层厚CT 图像的准确性尚需进一步研究。

总之，DL-CAD 对颅内规则和不规则血肿体积测量的结果较2/3Sh 法、Coniglobus 公式法更准确，能减少血肿测量误差，对于不规则血肿测量的临床意义更明显。