何佳倩，安兴伟*，任贺成，黄 楹，明 东，3
(1.天津大学医学工程与转化医学研究院，3.精密仪器与光电子工程学院，天津 300072；
2.天津市环湖医院神经外科，天津 300350)
颅内动脉瘤(intracranial aneurysm，IA)指脑动脉局部异常扩张导致动脉壁出现瘤状突起，通常发生于威利斯环(Willis circle)动脉分叉处[1]。临床80%～90%的自发性蛛网膜下腔出血系由IA破裂引发[2]，尽早检出、监测IA及评估其破裂风险对临床干预具有重要意义。影像学评估IA方法包括数字减影血管造影(digital subtraction angiography，DSA)、CT血管成像(CT angiography，CTA)及MR血管成像(MR angiography，MRA)等。DSA是检测动脉瘤的金标准，但为侵入性检查，且可能出现碘对比剂过敏等[3-4]。CTA和MRA为无创成像技术，但对微小动脉瘤的检出率较低，且描绘动脉瘤形态特征的能力相对较弱[5-6]。近年来，以基于深度学习(deep learning,DL)的计算机辅助诊断(computer aided diagnosis，CAD)检测动脉瘤逐渐成为研究热点，通过智能化学习、处理图像特征模式，CAD在提高诊断IA准确率、降低假阳性等方面均显示出巨大潜力，可使医学诊断结果更加客观、准确，同时有助于减轻临床医师工作负担[7]。本文就CAD用于识别IA、检测目标与分割病灶相关进展进行综述，分析其所面临的挑战，并对未来研究方向进行展望。
1.1 分类任务 基于分类任务检测IA包括2个过程，首先需获得病灶候选区，之后使用DL网络判断该区域是否包含病灶。既往研究主要基于IA的形态特征构建深度网络而实现病灶分类，如UEDA等[8]利用基于脑动脉的曲率特征，于时间飞跃法MRA中提取包括瘤体、漏斗状扩张、血管分叉及血管狭窄在内的数百种动脉异常表现作为候选目标，再以ResNet-18分类算法对其是否为IA进行分类。医师应用该算法进行二次评估，可使IA检出率相比初始报告提高4.8%～13%。由于成像角度，IA与血管重叠特征相似。为此ZENG等[9]应用空间信息融合策略检测三维旋转血管造影图像所示IA，通过串联每个成像时间序列的特定连续帧图像而嵌入空间信息，并基于迁移学习策略以经典分类网络VGG16对其进行分类，由此有效改善检测单幅图像的精度，可使识别IA的准确率达98.89%。
1.2 检测目标任务 检测目标任务指根据算法预测图像中包含IA的最小区域，可直接识别和定位IA。随着DL技术在目标检测领域的应用，目前提出的检测算法可分为单阶段检测算法及两阶段检测算法[10]，前者能直接预测目标类别和边框坐标，后者指在检测过程中首先生成样本候选区域框，再进行样本分类与调整候选框坐标，其检测准确率高于前者，故在医学图像检测中应用更为广泛。2016年REN等[11]提出Faster区域建议卷积神经网络(region-proposal convolutional neural network，R-CNN)目标检测算法，通过区域生成网络生成候选区，以提高检测目标速度；
此后该方法多用于检测动脉瘤。DAI等[12]使用Faster R-CNN作为自动检测IA工具，利用来自3D CTA的2D邻近投影图像作为输入，其检测IA的敏感度为91.8%；
但该方法需以复杂的预处理步骤生成2D影像数据，且未考虑动脉瘤的3D空间特征。为综合利用3D影像信息，DUAN等[13]将基于双路径结构的3D Faster R-CNN模型用于检测和定位3D CTA所示IA，并使用3D多尺度卷积神经网络以减少检测算法得到的假阳性区域；
利用该算法对550例全脑CTA数据进行训练并测试，其检测敏感度为93.3%。
1.3 分割任务 分割任务即对造影图像进行逐像素分类，以标记像素级别的病灶，可直接提供所预测IA的精确位置，有利于后续形态学分析；
常以包括编码器、解码器结构及允许高效信息流传输的跳跃连接方式的U-Net模型作为分割架构，后者在医学图像分割任务中表现出良好性能[14]。较早的分割方法研究多基于2D网络，如STEMBER等[15]基于MRA二维最大密度投影构建检测和测量IA的U-Net模型，以初步探索基于DL的人工智能方法用于预测动脉瘤大小的前景。JIN等[3]则更关注DSA的时间和空间信息，在U形网络中引入双向卷积长短期记忆模块，以模拟医师阅片过程，解决基于二维DSA图像检测和分割未破裂IA的问题，其检测敏感度为89.27%(316/354)，每个序列计算时间<1 s。
与2D网络相比，利用3D网络模型能直接输入3D图像，学习病灶的3D特征信息。PARK等[16]采用HeadXNet网络分割CTA所示IA，该网络在3D U-Net基础上引入了挤压-激励模块、残差模块及空洞空间金字塔池化模块，以增强提取特征能力；
应用该模型后，拥有不同经验的临床医师检测IA能力均有所提高，检测敏感度由83.1%提升至89.0%，特异度由96.0%提升至97.5%，准确率由89.3%提升至93.2%。SHI等[17]训练带有空间、通道双注意力模块和残差结构的3D U-Net分割模型，其训练过程稳定，并可使模型学习到可靠的特征。受限于计算能力，上述2项研究均以局部3D图像作为模型的输入项，却无法直接处理患者完整的3D图像，仍存在损失病灶全局信息的不足。BO等[18]采用全局结构信息策略构建用于获取IA在整个图像中概率分布的全局定位网络和获取局部图像块IA体素分割结果的局部分割网络，以全局定位特征为指导，协助训练分割网络，可无需预处理而直接分析、处理包含颈部、心脏区域的脑部CTA，更适用于临床实践，可使医师检测IA的敏感度提高约12.5%～22.9%，诊断时间缩短约7～24 s。
2.1 与IA解剖结构相关 IA瘤体本身在脑血管造影图像中占据的比例极小，模型往往难以自复杂的背景中准确识别病灶区域，导致检测能力较差[19]。血管重叠与IA表现相似，特别是小的IA[1]，造成CAD检测IA的假阳性率较高。通过调整成像角度可在一定程度上减轻血管重叠带来的影响，但如何使CAD学习到不同的时空特征以区分IA与血管重叠是亟待解决的问题。
2.2 特殊类型IA 现有研究多基于囊状IA进行分析，而针对特殊类型IA，如梭形动脉瘤和夹层动脉瘤等的研究较少。YANG等[20]的内部验证结果显示，以CAD检测囊状及梭形IA的敏感度分别为97.60%(611/626)和95.65%(22/23)，但该研究中梭形IA样本量过小，且未具体给出外部验证结果，仍有待进一步验证。
2.3 样本量 相比自然图像数据，医学影像数据存在获取困难、标注成本高及医学伦理等问题。目前将CAD用于IA的研究所纳入的训练集和验证集样本量均较小，且通常来自单一机构，导致算法的稳定性和鲁棒性较差。
2.4 数据标注 获取大量逐像素标注的样本十分耗时、费力，精准标注大批量数据是分割任务的重要挑战之一。DI NOTO等[21]使用更易获取标注信息的弱监督分割方法，将弱标签(即粗糙、不精确注释的标签)用于动脉瘤分割任务，利用动脉瘤位置先验信息构建3D U-Net分割模型，其检测测试集IA的敏感度为83%。虽然相比强监督，弱监督模型的性能未能达到预期水平，但可降低标注成本，有助于缩短整体研究进程。有关如何平衡检测性能与效率有待进一步研究。
经由分类任务、检测目标任务及分割任务均可实现识别、检测IA，对于降低漏诊率、缩短诊断时间具有重要价值。分类任务主要基于判定2D图像中的异常结构，通常无法直接获取病灶区域的精确位置；
检测目标任务旨在直接识别并大致定位图像中病灶所在区域，以实现快速定位IA；
分割任务可实现在像素级水平定位IA空间位置和预测其形态，是IA形态学分析及预测瘤体破裂风险的先决条件。
未来CAD检测IA研究将集中于以下方面：①自动分析动脉瘤形态学和计算血流动力学，并基于此预测动脉瘤破裂风险，完善诊断IA一体化流程，为医师直观展现IA发生发展进程，这对于拟定未破裂动脉瘤的治疗决策具有积极意义；
②融合分析多模态影像学数据，以更有效地学习和利用图像特征，提升诊断IA性能；
③多中心前瞻性验证，评估CAD临床实际效能，推进其在临床环境中的进一步应用。此外，一个成功的IA CAD检测系统必须完全可靠地识别真阳性病例，研究人员应在充分考虑IA复杂解剖结构的基础上，使用更先进的算法解决当前存在的问题。
